【情报实战】印度尼西亚苏拉威西岛帕卢地震灾害制图的人工智能应用

释放双眼,带上耳机,听听看~!

韩国江原道春川市江原国立大学理科教育科

Mutiara Syifa,Prima Riza Kadavi,Chang-Wook Lee 

摘要:

2018年9月28日,印度尼西亚中苏拉威西省东加拉县发生7.4级地震,引发了帕卢市和东加拉的海啸和土地液化。大约2101人死亡,68,451所房屋因地震而受损。鉴于这一灾难性事件,需要制定震后地图,以确定疏散和缓解计划的第一步。在这项研究中,使用了Landsat-8和Sentinel-2卫星的遥感图像。使用人工神经网络(ANN)和支持向量机(SVM)分类器对地震前和地震后卫星图像进行分类,并使用去相关方法处理以生成震后损伤图。将受影响区域与现场数据进行比较,分析ANN与SVM结果的符合率,并生成了四张震后地震图。根据整合分析,Landsat-8图像(85.83%)优于Sentinel-2(63.88%)。由此产生的震后损伤图可用于评估帕卢地震后地震破坏的分布,并可用于减轻未来地震时的损害。

关键词: 人工神经网络; 帕卢地震; 震后地震图; SVM

1.简介

据印度尼西亚国家灾害管理委员会(BNPB)报道,2018年9月28日17:02 UTC + 7,印度尼西亚苏拉威西中部的东加拉县发生7.4级地震[ 1 ]。地震的震中位于东加拉东北26公里处(0.20 S,119.89 E); 由于Sesar Palu-Koro断层在Molucca Sea微孔板内部浅层深处的走滑断层作用,地震发生在11公里深处,这是更广泛的Sunda构造板块的一部分[ 2 ]。地震的震源机制解决方案表明,破裂发生在左旋南北走向断层或沿右旋东西走向断层。

根据印度尼西亚气象,气候和地球物理局(BMKG)在东盟灾害管理人道主义援助协调中心(AHA中心)发布的新闻稿,截止到2018年10月27日07.00(UTC + 7),770余次余震记录的最大和最小幅度分别为M 6.3和M 2.9 [ 3 ]。根据从AHA中心获得的信息,由于现有的断层线,余震也引发了丘陵地区的山体滑坡,而某些地区也发生了土地液化,导致人命损失和财产损失[ 4 ]。例如,Balaroa和Petobo村庄的数百人失踪,这些村庄被完全掩埋。

据BMKG报道,海啸袭击了Palu市的Talise海滩以及Donggala的海滩[ 5 ]。一些定居点和建筑物遭到破坏,造成一些人员伤亡。海啸的高度约为2.2-11.3米,内陆达到0.5公里,摧毁了定居点并造成重大损失和巨大破坏。

印度尼西亚的BNPB报告说,这场灾难造成的损失和损失总额达到9500万美元(13.82万亿印尼盾); 预计这一估计会增加,因为该版本仅包括时间数据。灾害影响造成的损失和破坏涉及五个发展部门,包括住房,基础设施,生产经济,社会部门和跨部门,住房部门损失和损害最大[ 1 ]。截至2018年11月20日18时UST + 7,BNPB记录了2101人死亡和68,451件受损房屋,其中中苏拉威西省在Palu记录的两个类别中所占比例最大[ 1]。

从历史上看,该地区曾发生多次大地震,其中最大的事件是1996年1月在Toli-Toli市[ 6] 发生的7.9级地震,距离这次最近事件震中北部约100公里。1996年的地震导致大约10人死亡,60多人受伤,并在当地造成了严重的建筑物损坏。根据Horspool等人的早期研究。[ 7 ],在印度尼西亚进行了全国概率海啸灾害评估,其中包括研究区内的苏拉威西岛,在过去的100年里,印度尼西亚东部经历了比西部地区更多的海啸事件。由于苏拉威西海的俯冲带,苏拉威西岛的北臂可能会产生地震和海啸[8 ]。Rahmadaningsi [ 8 ]根据1996年在北苏拉威西岛Toli-Toli发生的地震,使用ArcGIS软件中的光栅计算器功能,使用单一故障方法和模拟海啸淹没进行了模拟。结果表明,与直线或斗篷形海岸线相比,海湾形海岸线与海啸起伏较高有关。除了海啸之外,由于帕卢周围一些地区的地震剧烈震动,也发生了液化。然而,相对较少的研究集中在印度尼西亚的土地液化[ 9]。因此,为了充分解决和减轻地震(包括海啸和液化)造成的破坏,需要发生震后损坏地图,作为减轻地震相关灾害和进行风险研究的第一步。

如Xu [ 10 ] 所述,有两种主要的方法可用于获得震后损害的准确信息:现场调查和遥感图像解释。由于遥感技术可以提供持续性伤害的概述,并且比实地调查更具成本效益的,这项技术已成为监测灾难性事件[的后果更受欢迎的方法11,12,13,14,15,16,17]。人工智能也是评估自然灾害的有用技术,并已广泛用于灾害和风险管理。例如,最近的研究已经应用人工智能,诸如人工神经网络(ANN)[ 18,19,20,21,22,23 ]和支持向量机(SVM)[ 24,25,26,27,28,29,30 ],评估或分析许多领域的危害。在许多灾难性事件中应用遥感和人工智能已被证明是有益的。

因此,本研究的目的是利用人工神经网络,支持向量机和去相关方法绘制印度尼西亚帕卢市的震后损害图,作为风险评估的基础,优先考虑疏散和帕卢的缓解措施。

2.数据和方法

地震发生在印度尼西亚苏拉威西岛帕卢市附近(图1a)。帕卢是中苏拉威西省的首府,位于0°53’42“S,119°51’34”E(图 1b),其特点是各种地质条件。苏拉威西岛是一个K形岛屿,可分为14个地貌单元[ 31 ]。基于Matsuoka等人开发的方案。[ 32 ],苏拉威西岛的地貌类包括前三级山,三级山,丘陵,山脚坡,火山脚坡,火山(覆盖岛屿面积的75%以上)和沙丘。

图1. 印度尼西亚中苏拉威西省帕卢省的地图,其中2018年地震造成的损害程度最高:(a)帕卢岛与印度尼西亚首都雅加达的关系; b)2018年9月16日捕获的Landsat-8数据中的Palu图像。

苏拉威西岛位于三块板块的汇合处:印度 – 澳大利亚板块,太平洋板块和欧亚板块[ 33]。因此,该岛有几个活动断层,包括位于帕卢西北部的活动帕卢 – 科罗断层(图2)[ 34]。

图2. 印度尼西亚帕卢的地质图,有五个主要的地质构造:变质组,冲积层和沉积物沙滩组,磨拉石沉积物,变质沉积物和花岗岩。该地图还显示了Palu-Koro断层,该断层在帕卢造成了地震。修改自[ 35 ]。

帕卢 – 科罗断裂带将苏拉威西海与望加锡盆地分开,将其划分为北望加锡和南望加锡盆地[ 36 ]。帕卢 – 科罗转换断层导致西部苏拉威西岛的一部分向南 – 东南方向移动,这影响了该岛的位置,并导致望加锡海峡的两个小型扩散中心陷入蛰伏状态[ 36 ]。由左侧Palu-Koro转换断层引起的进一步扩展包括Sulawesi的北移; 结果,苏拉威西岛从加里曼丹向更远的地方移动,加里曼丹沿着西北 – 南 – 东南轴线移动[ 37]]。在苏拉威西岛可以区分出两个主要的构造组合,包括东部和南部武器的蛇绿岩复合体和三级花岗岩,火山岩以及北部和南部武器的近期和近期火山沉积[ 36 ]。帕卢还拥有独特的地质结构,包括五个主要结构。据Socquet等人报道。[ 38] Palu-Koro走滑断层有四股,覆盖帕卢附近50公里宽的区域,滑动范围为30-40毫米/年。山谷由冲积矿床组成; 城市西北部由花岗岩碎片组成,北部地区西部地区由冲积层和滩涂沉积岩组成,南部地区由磨拉石沉积物组成; 东部由变质岩组成(图2)。

根据现场数据,BMKG报告并共享地震后现场条件的照片,如图3a -c所示。图3a描绘了帕卢湾的情况,其中连接城市东西分区的标志性庞丘勒桥倒塌; 图 3b显示了受海啸影响的区域; 和图3 3c示出在Palu受液化的区域。

图3. 印度尼西亚帕卢地震7.4级地震后的状况照片:(a)标志性的庞丘勒桥倒塌; b)沿海地区的海啸破坏; c)在帕卢地区内液化。修改自[ 39 ]。

在这项研究中,使用两种人工智能技术,ANN和SVM以及去相关方法生成震后损伤图。Landsat-8和Sentinel-2数据用于确定震前和震后条件。收集的Landsat和Sentinel图像使用两个人工智能模型和ANN和SVM分类器进行分类。然后使用去相关方法计算地震前和地震后的分类结果,如图4中的流程图所详述

图4. 用于生成Palu地震灾害损坏图的方法的流程图。

2.1。卫星图像数据

获得Landsat-8和Sentinel-2的卫星图像用于本研究,以生成印度尼西亚中苏拉威西省帕卢的震后地震图。Landsat-8的两幅图像由八个多光谱带组成,空间分辨率为30米,被选择用于震前(图5a)和震后( 5b)条件。

图5. 印度尼西亚帕卢的假彩色组合图像,由Landsat-8(a)于2018年9月16日震前和(b)2018年10月2日震后捕获,以及Sentinel-2 捕获(c)9月17日2018年和(d)2018年10月22日。

2018年9月16日拍摄了震前图像,2018年10月2日拍摄了震后图像。选择了三个多光谱波段产生假色组合:短波近红外(SWIR2)(2.09-2.35μm) ,热红外(TIR)(10.40-12.50μm)和近红外(NIR)(0.77-0.90μm)。选择假色带组合以在分类阶段容易地区分受影响区域和未受地震影响的区域。

分别于2018年9月17日(图 5c)和2018年10月22日(图 5d)捕获了地震前和震后条件下的Sentinel-2A和Sentinel-2B MSI 1C级数据。使用空间分辨率为10 m的多光谱带是三个可见光带:NIR(842 nm),红色(665 nm)和绿色(560 nm)。Sentinel-2-A和2-B在发布日期方面有所不同:Sentinel-2A于2015年6月23日推出,而Sentinel-2B于2017年3月7日推出.Sentinel-2收购的两张图片均为1C级,在大气顶反射率中提供每像素辐射测量[ 40 ]。在本研究中,Sentinel Application Platform工具箱用于处理Sentinel-2图像(http://step.esa.int/main/toolboxes/snap/)。Landsat和Sentinel图像的震前和震后数据都被某些地区的云覆盖,这可能导致错误分类并影响最终的地图结果,特别是在Sentinel图像的情况下。然而,Landsat图像中的云污染并未显着覆盖受影响的区域,并且两个图像都适合使用。

2.2。人工神经网络

ANN建模是一种可靠的数据分类计算方法,适用于多个领域[ 41 ]。ANN能够获取,呈现和计算绘图数据[ 42 ]。人工神经网络模型旨在形成一种预测输入数据输出的方法,这些输出数据未在建模过程中使用[ 43 ]。反向传播算法是最常用的神经网络方法,并用于本研究。使用一组相关输入和输出值的示例来训练反向传播算法[ 21 ]。该学习算法是一个多层神经网络,由输入层,隐藏层和输出层组成(图6)。输入层是通过将每个输入相乘从由隐藏和输出层神经元处理的卫星图像中采样的类。在训练阶段结束时,神经网络运行一个模型,该模型应该能够从给定的输入值预测目标值[ 44 ]。这项研究提到了Kavzoglu [ 45 ]网络架构并提出了训练模式,其中训练阈值贡献和动量设定为0.9。同时,训练率设定为0.2,训练均方根退出标准设定为0.1,训练迭代次数为1000次。

图6. 用于生成分类图的人工神经网络模型。1-5类是卫星图像的输入层,使用ENVI软件选择。

2.3。支持向量机

所述SVM算法是广泛用于各种类型的分类的,因为它与线性不可分离和高维数据集[有效地工作的有用分类器464748 ]。SVM模型性能由内核函数,诸如线性,径向基,乙状结肠,或多项式函数[影响4849 ]。选择了径向基函数(RBF)的使用在本研究中,由于其在非线性分类卓越的功效[ 5051 ]。RBF的公式和参数如下[ 52 ]:

K(X ,X Ĵ)= EXP(-γ‖x  – X Ĵ ‖),γ> 0,

其中K(x i,x j)表示核函数,γ是RBF内核的核函数中的gamma项,应该在建模过程中进行优化。本研究中所采用的RBF作为神经网络体系结构及其与输入数据优越关联[ 4853 ],其中,所述惩罚参数设定为100,并在内核函数γ设定为0.333,以产生最精确的模型可能。

2.4。解相关方法

去相关是一种方法,通过这种方法可以增加不同相干区域之间的区别,然后将这些区域称为去相关区域[ 54 ]。去相关也可以定义为在图像压缩过程中生成去相关像素的方法[ 55 ]。去相关术语在各种领域中被使用,包括统计数据[ 55 ],信号处理[ 56 ],和图像处理用于合成孔径雷达(SAR)或光学图像[ 575859 ]。本研究中使用的去相关方法改编自地震损伤检测的SAR数据处理,这被称为图像匹配过程[ 60]]和基于相似性的分类[ 61 ]。在这项研究中,该方法基本上适用于使用光栅计算器分析来区分两个光栅图像。栅格计算器分析对于计算地理上重叠的两个光栅图像之间的栅格值差异非常有用[ 62]。使用ArcMap 10.4应用此分析,可以通过从震前光栅图像中减去震后光栅图像来检测Palu灾后图像之间的差异。因此,生成了损坏图,显示了灾害发生后的受损区域。先前已经解释了基于相似性的分类如下:如果相似性高,则建筑物可能仍然完整,而如果相似性低,则可能已被破坏[ 61 ]。因此,来自减法算术运算符的输出栅格数据集(图7)用于确定该值是否为0像素,这将成为两个光栅图像的相关结果,并且不会显示地震造成的损坏或其他像素数(例如,-2,-1,1和2) ),它将显示去相关结果并显示受损区域。使用此方法,可以生成震后地震破坏图:

表达式:输出栅格= [Inlayer1] – [Inlayer2],

图7. 用于生成印度尼西亚帕卢震后损伤地图的两个光栅图像的算术运算示例

3.结果

3.1。ANN和SVM分类器的Landsat图像分类

Landsat-8图像用于对灾难前后帕卢的土地覆盖图进行分类。ENVI Classic 5.3软件用于处理分类,使用ANN和SVM模型。图8显示了用于灾前(图8a,c)和灾后( 8b,d)条件的ANN和SVM分类器的分类结果

图8. 基于印度尼西亚帕卢的Landsat-8图像的ANN和SVM分类结果:(a)ANN震前地图; b)ANN震后地图; c)SVM震前地图; d)SVM震后地图。

根据Landsat-8卫星图像中假色带组合显示的颜色,将分类图划分为五类(城市或受影响区域,植被,海洋和河流,裸地和云)。为了生成分类结果,使用逐个像素的分层随机采样方法。在每个类别中创建了15个随机训练样本(多边形),为Landsat图像生成总共75个多边形或训练样本。在由此产生的震前地图中,红色阴影显示受地震影响的城市区域,而在震后地图中,红色阴影显示受地震影响的城市区域,包括海啸和土地液化损坏。在震后图像中(图8b,d),特别是对于东南和中东,两个大的受影响区域,由ANN和SVM分类器检测到,其中损坏是由土地液化引起的。图5a,b中的Landsat图像可以明显看出,液化是这些区域发生变化的原因。由于去相关方法用于使相同像素无效并显示差异,因此通过将相同的颜色分类应用于震前地图中的城市区域和震后地图中的受影响区域,更容易识别变化。

 8c,d显示了Landsat-8图像的SVM分类结果,其与ANN分类差别很小(图8a,b)。遵循用于创建损伤图的相同前提,使用去相关方法进一步检测ANN和SVM分类结果之间的差异(参见第3.5节)。

在震前和震后SVM分类结果中,城市或受影响区域分类用红色阴影表示,如ANN分类。震前图像中的城区与震后图像中的城区不同,因为震后区域受到与人口稠密地区地震相关的灾难性事件的影响,包括海啸和土地液化。在两个SVM地图中使用红色阴影,其遵循与ANN分类相同的前提:由于去相关方法否定了相同的像素,因此更容易生成损伤图。

3.2。Landsat图像:ANN和SVM分类器的相关性

使用ArcMap 10.4软件中的栅格计算器功能分析了Landsat-8图像的ANN和SVM分类结果。利用光栅计算器从震前图像中减去地震后图像数据,生成了人工神经网络和SVM分类的地震前和震后图像的微分图,可以将其视为震后损伤图(图9)。

图9. 使用去相关方法生成的印度尼西亚帕卢的震后损伤图,从(a)ANN分类结果得到真彩色视图,(b)ANN分类结果在山体阴影视图中,(c)SVM分类结果为真彩色视图和(d)SVM分类结果在山体视图中。

人工神经网络去相关结果(图9a,b)显示受地震影响的区域从沿海线延伸到城市南部,这是由于地震后某些地区发生的海啸和土地液化。帕卢湾附近的沿海地区因地震和海啸而受损,该市的房屋受到地震的影响。三个村庄,即Petobo,Balaroa和最大的Sidera-Jono Oge,也受到地震引发的水灾影响。基于人工神经网络分类的损伤图的总受影响面积是通过将总像素数乘以Landsat图像的像元大小来计算的,其产生的面积为8,814,600 m 2或881.46公顷。根据BNPB报告的水灾区390.82公顷和2976间房屋的实地数据,这一结果与总受损面积没有显着差异; 虽然没有提到总面积,但对帕卢的总损害可以假设达到850公顷。然而,图9a,b中的结果错误地指示一些区域由于灾难前和灾后图像之间的云定位的差异而受到影响。

所述SVM去相关结果示于图9中 C,d,其中红色阴影表示前和后地震地图,分类为受灾难影响的区域之间的差异。由于海啸,沿海地区遭受严重破坏,而在人口稠密地区造成严重破坏的大型内陆泥流是由上述三个村庄的地震引发的液化造成的。基于所述去相关SVM过程中,总受损区域计算为7974000米2或797.4公顷,其基本上不从由场数据指示的总受损区域不同。与人工神经网络得出的结果一样,由于地震前或地震后Landsat图像中云层的差异,一些区域被错误地归类为损坏。

生成的地图产生了类似于ANN去相关的结果,其中发现一些区域由于地震,海啸和水灾而发生变化。由于基于SVM去相关的结果与基于ANN去相关的结果非常相似,因此从两种震后分类方法(ANN和SVM)生成震后去相关图,以区分受损区域和两个分类器(参见章节) 3.5)。

3.3。使用ANN和SVM分类器进行的前哨图像分类

Sentinel-2假色组合图像用于ANN和SVM方法的分类。地震前后的图像分为六类:城市或受影响区域,海洋和河流,植被,裸地,云和阴影(图10))。为了产生这些图像,将相同的采样方法和训练样本分布应用于Landsat图像,其使用随机采样方法逐个像素地分层。在定义了类之后,在每个类中创建了15个随机训练样本(多边形),为Sentinel图像总共产生了85个多边形。在地震前和地震后的哨兵图像中使用红色表示城市或受影响区域的目的与Landsat图像的情况类似:因为去相关减去地震前和地震后的图像以显示差异以像素为单位,如果震后受影响区域与地震发生前的城市区域颜色相同,则更为简单。然而,由ANN分类的一些区域被确定为另一类:例如,在地震前的地图中,阴影在某些区域被分类为水,而云在地图的西南部被分类为城市区域。同时,由于城市区域的颜色与海水和河流类似,因此城市区域在震后图像中被归类为蓝色。在震后分类图中,东北地区的一些植被也被划分为裸地,表示为黄色阴影。最后,地震前和地震后图像中云的位置差异影响了使用去相关方法生成的损伤图(见 市区在震后图像中被归类为蓝色,因为其颜色类似于海洋和河流中的水。在震后分类图中,东北地区的一些植被也被划分为裸地,表示为黄色阴影。最后,地震前和地震后图像中云的位置差异影响了使用去相关方法生成的损伤图(见 市区在震后图像中被归类为蓝色,因为其颜色类似于海洋和河流中的水。在震后分类图中,东北地区的一些植被也被划分为裸地,表示为黄色阴影。最后,地震前和地震后图像中云的位置差异影响了使用去相关方法生成的损伤图(见第3.4节)。

图10. (a)ANN分类器震前发生,(b)ANN分类器震后发生,(c)SVM分类器震前发生,(d)SVM分类器震后发生的Sentinel-2分类图像结果在印度尼西亚的帕卢。

Sentinel-2图像的SVM分类结果如图 10c,d所示。如上所述,城市和受影响区域均以红色阴影表示,以便使用去相关方法更容易生成震后损伤图。但是,地震前( 10c)和震后(图10)d)分类图像有所不同,特别是在市区和影子类别。在地震前分类结果中,一些城区被划分为云(青色阴影),而在震后分类结果中,一些阴影被分类为水(蓝色阴影),一些云被分类为城市区域,特别是如果云出现在地图的中心。虽然这可能影响了去相关结果,但主要关注的是评估SVM分类的城市地区的震后损害。

3.4。ANN和SVM分类器的Sentinel图像解相关

使用去相关方法分析来自Sentinel-2图像的ANN和SVM分类结果。减去地震前和地震后的分类以生成损伤区域地图(图11)。

图11. 使用ANN的去相关方法生成的印度尼西亚帕卢地震后损伤图,以及(a)ANN真彩色视图中的Sentinel-2图像的SVM分类结果,(b)ANN山体视图,(c) SVM真彩色视图,以及(d)SVM山体视图。

人工神经网络和SVM分类的震后地震图显示了受地震影响的区域,用红色表示。然而,在结果中,云位置的差异也被归类为受损区域,最终主导了震后损伤图。在ANN分类以红色表示的总面积为11502100米2或11.150公顷; 由于云占据了地图的数量,这远远大于从现场数据估算的受损区域。地震前和地震后的Sentinel-2图像都是混浊的,导致一些区域被检测为受损区域,并影响地图在与野外数据的可比性方面的准确性。

 11c,d分别示出了真实颜色和山体阴影视图中Sentinel-2图像的SVM分类的去相关结果。在地图的东北部分,由于地震前和地震后地图中云位置的差异,云被识别为受损区域。从SVM分类方法的总损伤面积为31941100米2或31.941公顷,由于包含云,主导的地图。由于混浊条件,该区域与根据现场数据估计的区域大不相同。

3.5。基于Landsat和Sentinel图像的ANN和SVM衍生损伤图的一致性

使用来自Landsat和Sentinel图像的震后结果来区分用于区分SVM和ANN去相关图的结果的去相关图(图12)。这些图显示了两种方法之间的分类差异(蓝色和黄色阴影,图12)。

图12.解相关 图显示(a)Landsat-8 ANN和SVM结果对于震后损伤区域和(b)Sentinel-2 ANN和SVM结果在山体阴影视图中的震后损伤区域之间的差异。

从Landsat图像( 12a ),仅通过ANN方法(蓝色阴影)分类的区域比仅通过SVM方法(黄色阴影)分类的区域占据更大的区域。这表明SVM结果在地震后地图的分类方面仅略有不同,相比人工神经网络结果,每个地震后损坏地图的总面积。人工神经网络去相关图显示出比SVM图更大的损伤区域(ANN:881.46公顷,SVM:797.4公顷)。但是,两个分类器产生了非常相似的结果,使用以下符合性公式计算:

符合性= 1 – ((A + B))/((A + B + C))×100%,

其中A是仅在ANN损伤图中的像素总数,B是仅在SVM损伤图中的像素总数,C是ANN和SVM损伤图中的总像素的交点。当A = 1136像素,B = 286像素,C = 8614像素时,一致性为85.83%,表明Landsat图像图的ANN和SVM去相关之间的高度一致性。

对Sentinel-2去相关图执行相同的过程以确定ANN和SVM去相关之前和灾后地图结果之间的差异( 12b)。为了区分它们,应用光栅计算器分析从灾后ANN和SVM分类结果中减去栅格地图。在减去图像之后,仅在SVM分类中的受损区域的分布以黄色表示,而仅在ANN分类中的分布以蓝色表示。如示图12b来自Sentinel-2图像的ANN结果占用的面积小于SVM结果。与ANN方法相比,SVM方法对几个区域进行了不同的分类,包括在地图的西部,使用SVM方法将云分类为受损区域。使用等式(3)计算一致性结果。当A = 11,202像素,B = 145,682像素,C = 277,458像素时,百分比一致性为63.88%,这意味着 12b中基于ANN和SVM的去相关图之间的一致性较弱。

4。讨论

使用从Landsat-8和Sentinel-2图像生成的ANN和SVM分类器生成分类图。总体而言,有8个地震前和地震后的分类图,其中所有Landsat-8图像分为5类,城市区域或受感染区域,植被,海洋和河流,裸地和云层,而Sentinel-2图像被分为六类,加上影子作为第六类。图像分类结果之间存在一些差异,这些差异由图像源和用于确定每个类别区域的采样方法间接影响。然后通过去相关分析这些分类结果,以揭示地震前和震后图像之间的差异。从八个得到的分类图中,生成了四个去相关图,除以分类器类型(ANN和SVM分类器)和图像源(Landsat-8和Sentinel-2图像)。将包括震后损伤图的结果的去相关图与现场数据进行了比较。对于Landsat-8图像,结果和总面积非常相似,但对于Sentinel-2图像,由于图像条件,受损区域由云而不是实际受损区域占主导地位。在这种情况下,Landsat-8产生的震后地震损伤图的结果优于Sentinel-2图像。但对于Sentinel-2图像,由于图像条件,受损区域由云而不是实际受损区域占主导地位。在这种情况下,Landsat-8产生的震后地震损伤图的结果优于Sentinel-2图像。但对于Sentinel-2图像,由于图像条件,受损区域由云而不是实际受损区域占主导地位。在这种情况下,Landsat-8产生的震后地震损伤图的结果优于Sentinel-2图像。

BNPB,地理空间信息局和印度尼西亚国家航空航天研究所发布了实地数据,包括受海啸,地震和液化影响的地区的分布图。与野外数据图(图13)相比,ANN和SVM方法产生的结果以及去相关有效地映射了受损区域,特别是在Landsat-8结果的情况下。图13a可以看出,海啸和地震对沿海地区造成的破坏与SVM和ANN分类器的去相关图中的破坏相同。

图13. 印度尼西亚国家灾害管理委员会的实地数据:(a)2018年9月28日印度尼西亚帕卢受地震和海啸影响的地区; b)液化分布图。修改自[ 1 ]。

此外,图13b表明受液化影响的区域也证实了ANN和SVM分类器去相关方法在建立由液化产生的损坏区域方面是有效的,特别是在Petobo,Sidera和Jono Oge村庄。根据BNPB公布的数据,共有68,451座建筑物遭到破坏,其中2976座受到海啸的破坏。西帕卢分区Lere Village发生的破坏最严重,受影响的建筑物数量为786座。房屋和建筑物的大部分损坏是由于液化造成的,Jono Oge和Sidera共损坏了496个单元,Balaroa损坏了1357个单元,Petobo有1920个单元。除了房屋外,学校,药房,政府办公室和医院等基本设施也因此灾难而受损。为此原因,

5。结论

发生了2018年Mw 7.4地震发生的帕卢市的震后地震破坏图。采用两种卫星图像类型,即Landsat-8和Sentinel-2图像,并且使用ANN和SVM方法对这两种卫星图像进行分类。解相关方法用于从地震前和地震后的ANN和SVM分类图生成损伤图。评估去相关图结果以确定ANN和SVM方法之间的相关性,这产生非常相似的结果。此外,分析和验证结果表明震后损伤图与现场数据之间达成了令人满意的一致性。

震后地震灾害图是震后灾害绘图的重要工具。因此,预计这项研究的结果将在高风险情景中特别有用,例如Palu,Central Sulawesi和整个印度尼西亚,作为一个有许多活动断层的国家。制定的震后地震破坏图有利于规划者,工程师和政府,可以帮助制定疏散或缓解策略,以最大限度地减少受害者人数,并为进一步的计划和发展确定适当的行动方案。然而,尽管本研究中使用的方法对于具有灾难性事件历史的地区的疏散和缓解目的是有效的,但对于没有记录任何灾难性事件的站点,它们可能不太有用。

作者贡献

概念化,C.-WL; 方法论,C.-WL; 软件,PRK和MS; 验证,MS,PRK和C.-WL; 正式分析,PRK和MS; 调查,PRK和MS; 资源,PRK; 数据管理,C.-WL; 写作原始草稿准备,MS; 写作审查和编辑,PRK和MS; 可视化,MS; 监督,C.-WL; 项目管理,C.-WL; 资金收购,C.-WL

资金

该研究得到了韩国国家研究基金会的资助,该资助由韩国政府提供(No. 2017R1A2B4003258,2018)。

利益冲突

作者宣称没有利益冲突。

参考

  1. BNPB Gempabumi Sulawesi Tengah。在线提供:https//sites.google.com/view/gempadonggala/beranda?authuser = 0(2018年11月22日访问)。

  2. USGS地震危险计划。M 7.5-70 KM N of Palu,Indonesia。可在线获取:https//earthquake.usgs.gov/earthquakes/eventpage/us1000h3p4/executive(2018年11月22日访问)。

  3. AHA中心。情况更新第15号 – 苏拉威西地震。可在线获取:https//ahacentre.org/situation-update/situation-update-no-15-sulawesi-earthquake-26-october-2018/(2018年11月23日访问)。

  4. AHA中心。情况更新7号 – 苏拉威西地震。可在线获取:https//ahacentre.org/wp-content/uploads/2018/10/AHA-Situation_Update-no7-Sulawesi-EQ-rev2.pdf(2018年10月21日访问)。

  5. BMKG。Gempabumi Tektonik Kabupaten Donggala。可在线获取:https//www.bmkg.go.id/berita/?p = gempabumi-tektonik-m7-7-kabupaten-donggala -sulawesi-tengah-pada-hari-jumat-28-Sep-20-bopotensi- tsunami&lang = ID&tag =新闻发布(2018年10月22日访问)。

  6. Gomez,JM; Madariaga,R。; Walpersdorf,A。; Chalard,E。1996年印度尼西亚苏拉威西岛的地震。公牛。Seismol。SOC。上午。 200090,739-751。

  7. Horspool,N。; Pranantyo,我。格里芬,J。; Latief,H。; Natawidjaja,DH; Kongko,W。; Cipta,A。; Bustaman,B。; Anugrah,SD; Thio,HK印度尼西亚的概率海啸灾害评估。纳特。危害地球系统。科学。 201414,3105-3122。

  8. 无线传感器网络Rahmadaningsi; Assegaf,AH; Setyonegoro,W。基于中苏拉威西岛东加拉北部海岸形态的海啸特征研究。J. Phys。CONF。序列。 2018979,012020.

  9. Muntohar,AS在巴东市和日惹地区的地震引起的液化研究。J. Geotek。哈提IX 20141,0853-4810。

  10. Xu,C。利用遥感和GIS技术制备地震触发的滑坡库存地图:原理和案例研究。Geosci。面前。 20146,825-836。

  11. Kochersberger,K。; Kroeger,K。; Krawiec,B。; Brewer,E。; Weber,T。通过自主直升机进行灾后遥感和采样。J. Field Robot。 201431,510-521。

  12. Hoque,MAA; Phinn,S。; Roelfsema,C。; Childs,I。使用遥感和空间分析的热带气旋灾害管理:综述。诠释。J.减少灾害风险。 2017年22,345-354。

  13. Yamazaki,F。; Liu,W。用于震后损害评估的遥感技术:2016年熊本地震的案例研究。2016年9月22日至24日在菲律宾宿雾市举行的第六届亚洲地震工程会议主题演讲会议论文集; 页。8. 

  14. Boccardo,P。; Tonolo,FG遥感在灾害响应应急绘图中的作用。社会和领土的工程地质学 ; Lollino,G.,Manconi,A.,Guzzetti,F.,Culshaw,M.,Bobrowsky,P.,Luino,F.,Eds。; 施普林格:瑞士,Cham,2015年; 第5卷,第17-24页。

  15. Ezequiel,CAF; Cua,M。; 北卡罗来纳州利比亚克; Tangonan,GL; Alampay,R。; Labuguen,RT; Favila,CM; Honrado,JLE; Canos,V。; Devaney,C。; 等。用于灾后评估,环境管理和基础设施开发的无人机航空成像应用。2014年5月27日至30日,美国佛罗里达州奥兰多举行的2014年无人机系统国际会议(ICUAS)会议录; IEEE:纽约,纽约,美国,2014年; 第274-283页。

  16. 尹,B。; Choi,J。根据使用PlanetScope卫星图像的分类结果分析土地覆盖变化。韩国J.远程桑斯。 201834,671-680。

  17. Piao,Y。; 李,HS; Kim,K。; Lee,K。应用低空间分辨率光学卫星图像进行大规模洪水测绘的方法。韩国J.远程桑斯。 201834,787-799。

  18. Bui,DT; Tran,AT; Harald,K。; Pradhan,B。; Inge,R。浅层滑坡灾害的空间预测模型:支持向量机,人工神经网络,核逻辑回归和逻辑模型树的功效的比较评估。山体滑坡 201613,361-378。

  19. Alizadeh,M。; Ngah,我。Hashim,M。; Pradhan,B。; Pour,A。用于城市地震脆弱性评估的混合分析网络过程和人工神经网络(ANP-ANN)模型。远程参议员。 201810,975. 

  20. Dou,J。; Yamagishi,H。; Pourghasemi,HR; 尤努斯,AP; 宋,X。; 徐,Y。Zhu,Z。日本Osado岛滑坡敏感性评价的综合人工神经网络模型。纳特。危害2015年78,1749年至1776年。

  21. Pradhan,B。; Lee,S。通过使用频率比,逻辑回归和人工神经网络模型,对马来西亚槟城岛的滑坡灾害区域进行划分。ENVIRON。地球科学。 201060,1037年至1054年。

  22. Shahri,AA使用不同的人工神经网络模型评估和预测液化势:一个案例研究。土力。地质学。工程。 201634,807-815。

  23. 哦,HJ Landslide探测和滑坡敏感性绘图使用航空照片和人工神经网络。韩国J.远程参议员。 201026,47-57。

  24. Tehrany,MS; Pradhan,B。; Jebur,MN使用GIS中的新型集合证据权重和支持向量机模型进行洪水敏感性绘图。J. Hydrol。 2014512,332-343。

  25. Pradhan,B。基于GIS的决策树,支持向量机和神经模糊模型在滑坡敏感性映射中的预测能力比较研究。COMPUT。Geosci。 201351,350-365。

  26. Tehrany,MS; Pradhan,B。; Mansor,S。; Ahmad,N。使用基于GIS的不同核心类型的支持向量机模型进行洪水敏感性评估。系列 2015年1,91-101。

  27. 陈,W。; Pourghasemi,HR; Kornejady,A。; Zhang,N。Landslide空间建模:引入ANN,MaxEnt和SVM机器学习技术的新集合。Geoderma 2017年305,314-327。

  28. Feizizadeh,B。; Roodposhti,MS; Blaschke,T。; Aryal,J。比较基于GIS的支持向量机核函数,用于滑坡敏感性映射。阿拉伯。J. Geosci。 201610,122 

  29. Hong,H。; Pradhan,B。; Chong,X。; Dieu,TB使用两级核Logistic回归,交替决策树和支持向量机对宜黄地区(中国)滑坡灾害进行空间预测。系列 2015年133,266-281。

  30. Wieland,M。; 刘,W。; Yamazaki,F。从合成孔径雷达图像中学习变化:用于检测地震和海啸引起的变化的支持向量机的性能评估。远程参议员。 20168,792 

  31. Cipta,A。; Robiana,R。; 格里芬,JD; Horspool,N。; Hidayati,S。; 康明斯,PR印度尼西亚苏拉威西岛的概率地震危险性评估。地质学。SOC。 2017年441,133-152。

  32. Matsuoka,M。; Wakamatsu,K。; Fujimoto,K。; Midorikawa,S。使用日本工程地貌分类图的平均剪切波速度绘图。结构。工程。Earthq。工程。 2006年23,57-68。

  33. Rusydi,M。; Efendi,R。地震灾害分析使用Palu的Vs30数据。J. Phys。CONF。序列。 2018979,012054. 

  34. Pakpahan,S。; Ngadmanto,D。; Masturyono,M。; Rohadi,S。; Rasmid,R。; Widodo,HS; Susilanto,P。Sulawesi中部Palu Koro断层带的地震活动性分析。J. Environ。地质学。危害 2015年6,253-264。

  35. Keadaan Tanah dan Geologi Palu。可在线获取:http//palublogger.blogspot.com/p/keadaan-tanah-geologi.html(2018年11月10日访问)。

  36. Katili,JA过去和现在印度尼西亚苏拉威西岛的大地构造位置。地壳构造物理学1978年45,289-322。

  37. Tjia,HD; Zakaria,TH Palu-Koro走滑断层带,中央苏拉威西岛,印度尼西亚。塞恩斯马来人。 1974年3,65-86。

  38. Socquet,A。; 西蒙斯,W。; Vigny,C。; McCaffrey,R。; Subarya,C。; Sarsito,D。; Spakman,W。Microblock旋转和故障耦合在SE亚洲三重交叉点(印度尼西亚苏拉威西岛)从GPS和地震滑动矢量数据。J. Geophys。RES。2006年111,B08409。

  39. BMKG Dokumentasi Lapangan Gempa Palu。在线提供:https//sites.google.com/view/gempadonggala/dokumentasi-lapangan?authuser = 0(2018年11月10日访问)。

  40. Vafaei,S。; Soosani,J。; Adeli,K。; Fadaei,H。; Naghavi,H。; Pham,TD; Bui,DT基于ALOS-2 PALSAR-2和Sentinel-2A图像和机器学习的结合,提高森林地上生物量的准确度估算:一个Hyrcanian森林地区(伊朗)的案例研究。远程参议员。 201810,172 

  41. Conforti,M。; Pascale,S。; Robustelli,G。; Sdao,F。人工神经网络预测能力的评估,用于绘制Turbolo河流域(意大利卡拉布里亚北部)的滑坡敏感性。系列 2014113,236-250。

  42. Garrett,JH人工神经网络适用于土木工程的地点和原因。J. Comput。民用。工程。 1994年8,129-130。

  43. 李,S。; Ryu,JH; Min,K。; 通过GIS和人工神经网络获得JS Landslide敏感性分析。地球冲浪。处理。Landf。J. Br。Geomorphol。RES。集团 200328,1361年至1376年。

  44. Pradhan,B。; Lee,S。Landslide风险分析采用人工神经网络模型,侧重于不同的训练场地。诠释。J. Phys。科学。 20094,1-5。

  45. Kavzoglu,T。使用精炼的训练数据提高神经网络分类的准确性。ENVIRON。模型。软件选装。 2009年24,850-858。

  46. Kavzoglu,T。; 沙辛,EK; Colkesen,I。使用基于GIS的多标准决策分析,支持向量机和逻辑回归的Landslide易感性映射。山体滑坡 201411,425-439。

  47. Mountrakis,G。; 我,J。; Ogole,C。遥感中的支持向量机:综述。ISPRS J. Photogramm。远程参议员。 201166,247-259。

  48. Kalantar,B。; Pradhan,B。; Naghibi,SA; Motevalli,A。; Mansor,S。评估训练数据选择对滑坡敏感性映射的影响:支持向量机(SVM),逻辑回归(LR)和人工神经网络(ANN)之间的比较。土工网垫。纳特。危害进行风险20189,49-69。

  49. Bui,DT; Pradhan,B。; Lofman,O。; Revhaug,I。使用支持向量机,决策树和朴素贝叶斯模型在越南进行滑坡敏感性评估。数学。PROBL。工程。 2012年2012年

  50. Liaw,A。; Wiener,M。随机森林的分类和回归。[R新闻 20022,18-22。

  51. 翟,S。; Jiang,T。一种新型粒子群优化训练支持向量机,用于自动感知树叶目标识别系统。Knowl。基于Syst。 201465,50-59

  52. Pourghasemi,H。; Pradhan,B。; Gokceoglu,C。; Moezzi,KD使用GIS对Dempster-Shafer预测能力和滑坡敏感性绘图中的证据权重模型进行比较评估。土工网垫。纳特。危害进行风险 20134,93-118。

  53. 耶尔马兹,我。Kaynar,O。多元回归,ANN(RBF,MLP)和ANFIS模型用于预测粘性土壤的膨胀潜力。专家系统。申请 201138,5958-5966。

  54. ESA Earthnet Online。在线提供:https//earth.esa.int/workshops/ers97/papers/hanssen/node7.html(2018年12月27日访问)。

  55. 统计中的相关性:马哈拉诺比斯变换。可在线获取:http//www.davidsalomon.name/DC2advertis/DeCorr.pdf(2018年12月26日访问)。

  56. Ma,Z。; 薛,JH; Leijon,A。; 谭,ZH; 杨,Z。; 郭,J。中性向量变量的解相关:理论与应用。IEEE Trans。神经网络。学习。SYST。 201829,129-143。

  57. Lee,H。; Liu,JG利用比率相干图像分析SAR干涉测量中的地形去相关。IEEE Trans。Geosci。远程参议员。 200139,223-232。

  58. Yonezawa,C。; Takeuchi,S。1995年Hyogoken-nanbu地震引起的城市损害对SAR数据的去相关。诠释。J.远程参议员。 200122,1585年至1600年。

  59. Stramondo,S。; Bignami,C。; Chini,M。; Pierdicca,N。; Tertulliani,A。用于地震损害检测的卫星雷达和光学遥感:来自不同案例研究的结果。诠释。J.远程参议员。 2006年27,4433-4447。

  60. Matsuoka,M。; Yamazaki,F。利用卫星SAR强度图像检测因地震而受损的建筑区域。Earthq。光谱 2004年20,975-994。

  61. Brunner,D。; Lemoine,G。; Bruzzone,L。使用VHR光学和SAR图像对建筑物进行地震破坏评估。IEEE Trans。Geosci。远程参议员。 201048,2403年至2420年。

  62. ESRI技术支持。在线提供:https//support.esri.com/en/technical-article/000001209(2018年11月15日访问)。




©2019作者。被许可人MDPI,瑞士巴塞尔。本文是根据知识共享署名(CC BY)许可的条款和条件分发的开放获取文章(
http://creativecommons.org/licenses/by/4.0/
)。

本文源自微信公众号:丁爸 情报分析师的工具箱

人已赞赏
安全工具

【更正声明】有关昨天发布的亚马逊相关文章

2019-10-15 16:15:41

安全工具

【情报课程】英国开源情报培训公司----Qwarie

2019-10-15 16:15:54

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索