面向地震风险评估的高分辨率遥感影像建筑物信息提取与研究

发布时间：2021-04-10 23:22

　　地震灾害突发性强、破坏性大,严重威胁人类生命和财产安全,严重影响经济发展和社会稳定。受当前科技水平限制,人类尚不具备准确预测短期地震发生的能力。因此,震前进行大范围地震风险评估,既有助于政府部门制定城市规划和应急管理方案、最大程度减轻地震灾害风险,也可以提高人民群众对潜在灾害的风险意识。承灾体/建（构）筑物资料数据是进行地震风险评估的基础工作之一。传统的实地调研方法获取的建筑物数据精度高、可靠性强,但也存在费时费力、更新速度慢等缺点,无法满足区域尺度地震风险评估的需求。近年来,随着中国经济和社会的迅速发展,城市规模的不断扩张和建筑物的快速持续变化,不仅加剧了潜在地震风险,也增加了及时、准确进行地震风险评估的难度。因此,研究并建立一套大范围、高精度、快速的建筑物数据获取和及时更新的方法,能够为区域尺度地震灾害风险评估提供必要的数据支撑;同时考虑结合社会脆弱性因素构建情景地震,探讨建筑物地震易损性及社会脆弱性对地震情景的作用程度,并针对性地部署地震应急准备工作,对于最大限度减轻地震灾害风险具有重要应用价值和现实意义。为此,本论文首先研究并提出了两种基于卷积神经网络的高分辨率遥感影像建筑物分... 

【文章来源】：中国地震局地质研究所北京市

【文章页数】：133 页

【学位级别】：博士

【部分图文】：

技术路线图

第3章面向地震风险评估的深度学习建筑物自动提取21δ()=11+(3.1)Sigmoid函数连续可导，其形状如图3.1所示。作为激活函数，将输入映射到0到1之间，非常小的负数被映射为0，非常大的正数被映射为1，且在输入为0的时候输出为0.5。Sigmoid函数的优点是平滑、易于求导。缺点是计算量大，且容易出现梯度弥散（GradientDiffusion）现象。图3.1Sigmoid函数示意图（2）Tanh函数Tanh和Sigmoid的函数及导数相似，其函数的数学表达式为Tanh()=+(3.2)Tanh函数输出值的取值范围在-1到1之间。当输入为0时输出也为0，因此它输出的平均值基本为0。但是还会存在梯度弥散和计算量大的缺点。图3.2Tanh函数示意图（3）ReLU函数ReLU函数是深度学习中应用最广泛的激活函数之一，其数学表达式为：()={0,≤0,>0(3.3)当输入的数据大于0时直接输出，输入的数据小于0时全部抑制为0。ReLU

第3章面向地震风险评估的深度学习建筑物自动提取21δ()=11+(3.1)Sigmoid函数连续可导，其形状如图3.1所示。作为激活函数，将输入映射到0到1之间，非常小的负数被映射为0，非常大的正数被映射为1，且在输入为0的时候输出为0.5。Sigmoid函数的优点是平滑、易于求导。缺点是计算量大，且容易出现梯度弥散（GradientDiffusion）现象。图3.1Sigmoid函数示意图（2）Tanh函数Tanh和Sigmoid的函数及导数相似，其函数的数学表达式为Tanh()=+(3.2)Tanh函数输出值的取值范围在-1到1之间。当输入为0时输出也为0，因此它输出的平均值基本为0。但是还会存在梯度弥散和计算量大的缺点。图3.2Tanh函数示意图（3）ReLU函数ReLU函数是深度学习中应用最广泛的激活函数之一，其数学表达式为：()={0,≤0,>0(3.3)当输入的数据大于0时直接输出，输入的数据小于0时全部抑制为0。ReLU

【参考文献】：
期刊论文
[1]宁波市地震灾害风险初步评估[J]. 张蓓蕾,彭骁,周浩波.  地震科学进展. 2020(04)
[2]多层局部感知卷积神经网络的高光谱图像分类[J]. 池涛,王洋,陈明.  四川大学学报(自然科学版). 2020(01)
[3]顾及上下文信息的城区机载LiDAR建筑物自动化提取方法研究[J]. 陈宇琪,罗一芬,龙竞帅,郭雪莹.  地理信息世界. 2019(05)
[4]基于指标体系的浙江省地震灾害风险评估[J]. 侯林锋,李大卫,周新民.  华北地震科学. 2019(04)
[5]一种遥感影像自适应分割尺度的分类方法[J]. 王芳,王建,谢兵,何阳阳,陈爱玲,敬远兵.  测绘科学. 2019(11)
[6]多尺度对象高空间分辨率遥感影像谱聚类分割[J]. 李军军,曹建农,廖娟,程贝贝,朱莹莹.  测绘科学. 2019(10)
[7]基于格网的全国尺度地震灾害损失预测系统设计与实现[J]. 丁香,王晓青,窦爱霞,袁小祥,丁玲.  中国地震. 2019(02)
[8]高分辨率遥感影像建筑物分级提取[J]. 游永发,王思远,王斌,马元旭,申明,刘卫华,肖琳.  遥感学报. 2019(01)
[9]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪.  测绘学报. 2019(01)
[10]基于机器学习的智能昆虫分目识别算法应用[J]. 穆文秀,洪蕾,王瀚.  数字技术与应用. 2018(11)

博士论文
[1]灾害情景下城市脆弱性评估研究[D]. 石勇.华东师范大学 2010
[2]高分辨率SAR图像建筑物提取方法研究[D]. 赵凌君.国防科学技术大学 2009

硕士论文
[1]基于深度学习的遥感影像建筑物提取方法研究[D]. 朱光亚.浙江大学 2019
[2]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017
[3]遥感图像建筑物检测的关键技术研究[D]. 张尚琪.中国地质大学(北京) 2017
[4]基于GIS的建筑物地震风险损失评估方法研究及应用[D]. 许莹.昆明理工大学 2017
[5]砌体结构地震易损性分析[D]. 吴善香.中国地震局工程力学研究所 2015
[6]城市承灾体地震风险评估及损失研究[D]. 王静.大连理工大学 2014



本文编号：3130518