地震地质

作者：杜浩国, 左小清, 林旭川, 肖本夫, 卢永坤, 和仕芳, 张方浩, 袁小祥, 陶天艳, 叶阳, 邓树荣, 赵正贤, 徐俊祖, 白仙富, 张原硕, 张露露

单位：1)昆明理工大学, 国土资源工程学院, 昆明 6500932)云南省地震局, 昆明 6502253)中国地震局工程力学研究所, 哈尔滨 1500804)四川省地震局, 成都 6100415)中国地震局地震工程与工程振动重点实验室, 哈尔滨 1500806)昭阳区防震减灾局, 昭通 657000

关键词：定日M_S6.8地震,无人机影像,纹理特征,建筑物震害识别,支持向量机,神经网络,

基金：地震科技星火计划(XH23035YB); 国家自然科学基金(42471483); 国家自然科学基金(42161067); 局科技创新团队(CXTD202409); 地震信息青年重点任务(CEAITNS202410)

摘要： 地震后及时获取建筑物破坏信息对于应急救援和灾害损失评估至关重要。文中基于震后无人机影像数据, 提出了一种结合面向对象、 支持向量机(SVM)和神经网络(NN)的单体建筑物纹理特征损伤检测方法, 并以2025年西藏定日县 MS6.8 地震为例进行验证。该方法通过面向对象方法提取单体建筑物信息, 消除非建筑物干扰; 采用灰度共生矩阵(GLCM)提取对比度、 熵和方差等纹理特征, 优化窗口大小至7×7以提升特征区分度。通过对比4种方法发现: 融合最优纹理特征后, 神经网络分类算法(单体+纹理特征+神经网络)的总体精度达91%, Kappa系数为0.8, 较未融合纹理特征的单体+神经网络方法(精度85%、 Kappa 0.6)分别提升6%和0.2; 与支持向量机方法相比, 单体+纹理特征+支持向量机(精度89%、 Kappa 0.7)较单体+支持向量机(精度82%、 Kappa 0.6)提升7%和0.1。实验表明, 纹理特征可显著增强对损伤的识别能力, 倒塌建筑物的对比度均值较完好建筑降低26%, 熵和方差分别增加32%和41%。该方法有效解决了非建筑信息干扰的问题, 经形态学滤波处理后孔洞填充率 >95%。文中研究为震后快速评估提供了高精度、 可量化的技术支撑, 验证了多特征融合与算法协同优化的有效性。

来源：2025年第3期

《地震地质》期刊编辑部

查看地震地质杂志2025年第3期