基于震后航拍影像的近实时震损评估方法

摘要

本发明公开了一种基于震后航拍影像的近实时震损评估方法，该方法通过从震后航拍影像中识别震区的实际建筑倒塌分布图，以及通过震害模拟获取大量的模拟建筑倒塌分布图，接着通过相似度匹配法从大量的模拟建筑倒塌分布图选出与实际建筑倒塌分布图最为匹配的最优模拟建筑倒塌分布图，根据最优模拟建筑倒塌分布图进行震损评估。该方法利用震区现场航拍照片提供的重要信息，提高了震损评估的精度，具有极高的计算效率，可以在震后48小时内给出近实时的评估结果。

权利要求

1.一种基于震后航拍影像的近实时震损评估方法，其特征在于，包括：识别震后航拍影像中各个建筑的实际建筑倒塌状态，获取震区的实际建筑倒塌分布图，其中，实际建筑倒塌分布图包括震区中各个建筑的实际建筑倒塌状态；

根据至少一个非线性时间历程分析工况对建筑模型执行震区建筑震害模拟，得到震区的各个模拟建筑倒塌分布图，其中，一种非线性时间历程分析工况对应一个模拟建筑倒塌分布图，模拟建筑倒塌分布图包括震区中各个建筑的模拟详细破坏状态；

将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分；

根据各个模拟建筑倒塌分布图的相似度得分选择最优模拟建筑倒塌分布图；

根据最优模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态进行各个建筑的震损评估；

其中，所述至少一个非线性时间历程分析工况的创建方式为：确定至少一个地面运动预测方程；从地震动数据库中获取至少一条地震动记录；利用所确定的至少一个地面运动预测方程对所获取的至少一条地震动记录进行调幅，以构建至少一个非线性时间历程分析工况。

2.如权利要求1所述的方法，其特征在于，所述根据最优模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态进行各个建筑的震损评估，包括：对每个建筑：

根据公式Lh＝S×Dh×P计算房屋破坏损失Lh，其中，S为房屋建筑面积，P为房屋重置单价，Dh为最优模拟详细破坏状态对应的房屋破坏损失比；

根据公式Ld＝γ1×γ2×(ξ×S)×Dd×(η×P)计算装修破坏损失Ld，其中，γ1为考虑各个地区经济状况差异的修正系数，γ2为考虑不同建筑用途的修正系数，ξ为中高档装修房屋建筑面积占总房屋的比例，η为房屋装修费用与房屋主体造价的比值，Dd为最优模拟详细破坏状态对应的装修破坏损失比；

根据房屋破坏损失Lh和装修破坏损失Ld计算每个建筑的房屋地震经济损失。

3.如权利要求1所述的方法，其特征在于，所述将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分，包括：对第i个模拟建筑倒塌分布图：

根据公式 计算第j个建筑对应第i个模拟建筑倒塌分布图的相似度得分Saij；

根据公式 计算第i个模拟建筑倒塌分布图的相似度得分SAi；

其中，yij为第j个建筑对应第i个模拟建筑倒塌分布图的模拟详细破坏状态，yj为第j个建筑的实际建筑倒塌状态，i为正整数，m为正整数，m为震区中的建筑总数，j为正整数，j在1至m中取值。

4.如权利要求1所述的方法，其特征在于，所述将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分，包括：对第i个模拟建筑倒塌分布图：

根据公式 计算第j个建筑对应第i个模拟建筑倒塌分布图的相似度得分Sbij；

根据公式 计算第i个模拟建筑倒塌分布图的相似度得分SBi；

其中，第j个建筑的权重 pj为第j个建筑的倒塌概率；

其中，yij为第j个建筑对应第i个模拟建筑倒塌分布图的模拟详细破坏状态，yj为第j个建筑的实际建筑倒塌状态，i为正整数，m为正整数，m为震区中的建筑总数，j为正整数，j在1至m中取值。

5.如权利要求4所述的方法，其特征在于，还包括：

根据公式 计算第j个建筑的倒塌概率pj；

其中，x为倒塌概率因素向量，θ为基于机器学习中的逻辑分类算法训练得到的参数向量θ，逻辑函数h(z)的值域为(0,1)。

6.如权利要求4所述的方法，其特征在于，还包括：

T y T 1-y

确定建筑倒塌分布模型P(y|x；θ)＝h(θx) [1-h(θx)] ；

根据建筑倒塌分布模型确定参数向量θ的最大似然估计值模型为从样本数据集中选取训练集，利用训练集训练最大似然估计值模型，得到参数向量θ的最大似然估计值，其中，第j个建筑的倒塌概率因素xj及实际建筑倒塌状态yj作为样本数据集的第j个样本数据；

将最大似然估计值对应的参数向量θ确定为基于机器学习中的逻辑分类算法训练得到的参数向量θ。

7.如权利要求1所述的方法，其特征在于，所述根据各个模拟建筑倒塌分布图的相似度得分选择最优模拟建筑倒塌分布图，包括：对各个模拟建筑倒塌分布图的相似度得分进行排序，选出符合预设条件的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图。

8.如权利要求1所述的方法，其特征在于，所述根据至少一个非线性时间历程分析工况对建筑模型执行震区建筑震害模拟，得到震区的各个模拟建筑倒塌分布图，包括：确定震区中的各个建筑的建筑模型，其中，对震区中的中低层建筑，建筑模型为多质点剪切串联模型，对震区中的高层建筑，建筑模型为多质点并联剪切弯曲协调模型；

对每个非线性时间历程分析工况：利用与每个建筑相对应的调幅后的地震动作为输入，对相对应的建筑模型进行震害模拟，得到每个建筑的模拟详细破坏状态；

根据各个建筑的模拟详细破坏状态输出每个非线性时间历程分析工况对应的模拟建筑倒塌分布图。

9.如权利要求1所述的方法，其特征在于，还包括：

确定至少一个地面运动预测方程；

从地震动数据库中获取至少一条地震动记录；

利用所确定的至少一个地面运动预测方程对所获取的至少一条地震动记录进行调幅，以构建至少一个非线性时间历程分析工况。

10.如权利要求1所述的方法，其特征在于，所述对震后航拍影像进行图像处理，获取震区的实际建筑倒塌分布图，包括：利用目视判读法识别震后航拍影像中的各个建筑的实际建筑倒塌状态，根据震区的建筑分布图和识别到的各个建筑的实际建筑倒塌状态，得到震区的实际建筑倒塌分布图。

说明书

基于震后航拍影像的近实时震损评估方法

技术领域

[0001] 本发明涉及土木工程技术领域，尤其涉及一种基于震后航拍影像的近实时震损评估方法。

背景技术

[0002] 我国是地震多发国家，统计数据表明，1900-2016年间，地震给我国带来的经济损失排名全球第二。快速并准确地预测地震建筑破坏导致的经济损失，对制定合理的救灾和重建方案具有重大价值。

[0003] 地震损失统计方法主要包括现场调查或抽查统计损失、根据损失预测模型预测损失、根据遥感或航拍数据预测损失等。现场调查相对最为准确，但是耗时较长，往往需几周甚至几个月之久，且容易受到人为因素影响。损失预测模型或航拍照片预测损失耗时短，有可能适应震后快速评价震损的现实需求。但损失预测模型需要合理的地震动输入；而航拍照片难以识别建筑内部破坏情况，导致低估损失。因此，现有方法尚不足以兼顾震损评估的效率和精度的要求。

发明内容

[0004] 本发明的目的旨在至少在一定程度上解决上述的技术问题之一。

[0005] 为此，本发明的第一个目的在于提出的基于震后航拍影像的近实时震损评估方法，通过从震后航拍影像中识别震区的实际建筑倒塌分布图，以及通过震害模拟获取大量的模拟建筑倒塌分布图，接着通过相似度匹配法从大量的模拟建筑倒塌分布图选出与实际建筑倒塌分布图最为匹配的最优模拟建筑倒塌分布图，根据最优模拟建筑倒塌分布图进行震损评估。该方法利用震区现场航拍照片提供的重要信息，提高了震损评估的精度，具有极高的计算效率，可以在震后48小时内给出近实时的评估结果。

[0006] 为了实现上述目的，本发明第一方面实施例的基于震后航拍影像的近实时震损评估方法，包括：

[0007] 识别震后航拍影像中各个建筑的实际建筑倒塌状态，获取震区的实际建筑倒塌分布图，其中，实际建筑倒塌分布图包括震区中各个建筑的实际建筑倒塌状态；

[0008] 根据至少一个非线性时间历程分析工况对建筑模型执行震区建筑震害模拟，得到震区的各个模拟建筑倒塌分布图，其中，一种非线性时间历程分析工况对应一个模拟建筑倒塌分布图，模拟建筑倒塌分布图包括震区中各个建筑的模拟详细破坏状态；

[0009] 将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分；

[0010] 根据各个模拟建筑倒塌分布图的相似度得分选择最优模拟建筑倒塌分布图；

[0011] 根据最优模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态进行各个建筑的震损评估。

[0012] 如上所述的方法，所述根据最优模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态进行各个建筑的震损评估，包括：

[0013] 对每个建筑：

[0014] 根据公式Lh＝S×Dh×P计算房屋破坏损失Lh，其中，S为房屋建筑面积，P为房屋重置单价，Dh为最优模拟详细破坏状态对应的房屋破坏损失比；

[0015] 根据公式Ld＝γ1×γ2×(ξ×S)×Dd×(η×P)计算装修破坏损失Ld，其中，γ1为考虑各个地区经济状况差异的修正系数，γ2为考虑不同建筑用途的修正系数，ξ为中高档装修房屋建筑面积占总房屋的比例，η为房屋装修费用与房屋主体造价的比值，Dd为最优模拟详细破坏状态对应的装修破坏损失比；

[0016] 根据房屋破坏损失Lh和装修破坏损失Ld计算每个建筑的房屋地震经济损失。

[0017] 如上所述的方法，所述将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分，包括：

[0018] 对第i个模拟建筑倒塌分布图：

[0019] 根据公式 计算第j个建筑对应第i个模拟建筑倒塌分布图的相似度得分Saij；

[0020] 根据公式 计算第i个模拟建筑倒塌分布图的相似度得分SAi；

[0021] 其中，yij为第j个建筑对应第i个模拟建筑倒塌分布图的模拟详细破坏状态，yj为第j个建筑的实际建筑倒塌状态，i为正整数，m为正整数，m为震区中的建筑总数，j为正整数，j在1至m中取值。

[0022] 如上所述的方法，所述将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分，包括：

[0023] 对第i个模拟建筑倒塌分布图：

[0024] 根据公式 计算第j个建筑对应第i个模拟建筑倒塌分布图的相似度得分Sbij；

[0025] 根据公式 计算第i个模拟建筑倒塌分布图的相似度得分SBi；

[0026] 其中，第j个建筑的权重 pj为第j个建筑的倒塌概率；

[0027] 其中，yij为第j个建筑对应第i个模拟建筑倒塌分布图的模拟详细破坏状态，yj为第j个建筑的实际建筑倒塌状态，i为正整数，m为正整数，m为震区中的建筑总数，j为正整数，j在1至m中取值。

[0028] 如上所述的方法，还包括：

[0029] 根据公式 计算第j个建筑的倒塌概率pj；

[0030] 其中，x为倒塌概率因素向量，θ为基于机器学习中的逻辑分类算法训练得到的参数向量θ，逻辑函数h(z)的值域为(0,1)。

[0031] 如上所述的方法，还包括：

[0032] 确定建筑倒塌分布模型P(y|x；θ)＝h(θTx)y[1-h(θTx)]1-y；

[0033] 根据建筑倒塌分布模型确定参数向量θ的最大似然估计值模型为

[0034]

[0035] 从样本数据集中选取训练集，利用训练集训练最大似然估计值模型，得到参数向量θ的最大似然估计值，其中，第j个建筑的倒塌概率因素xj及实际建筑倒塌状态yj作为样本数据集的第j个样本数据；

[0036] 将最大似然估计值对应的参数向量θ确定为基于机器学习中的逻辑分类算法训练得到的参数向量θ。

[0037] 如上所述的方法，所述根据各个模拟建筑倒塌分布图的相似度得分选择最优模拟建筑倒塌分布图，包括：

[0038] 对各个模拟建筑倒塌分布图的相似度得分进行排序，选出符合预设条件的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图。

[0039] 如上所述的方法，所述根据至少一个非线性时间历程分析工况对建筑模型执行震区建筑震害模拟，得到震区的各个模拟建筑倒塌分布图，包括：

[0040] 确定震区中的各个建筑的建筑模型，其中，对震区中的中低层建筑，建筑模型为多质点剪切串联模型，对震区中的高层建筑，建筑模型为多质点并联剪切弯曲协调模型；

[0041] 对每个非线性时间历程分析工况：利用与每个建筑相对应的调幅后的地震动对相对应的建筑模型进行震害模拟，得到每个建筑的模拟详细破坏状态；

[0042] 根据各个建筑的模拟详细破坏状态输出每个非线性时间历程分析工况对应的模拟建筑倒塌分布图。

[0043] 如上所述的方法，还包括：

[0044] 确定至少一个地面运动预测方程；

[0045] 从地震动数据库中获取至少一条地震动记录；

[0046] 利用所确定的至少一个地面运动预测方程对所获取的至少一条地震动记录进行调幅，以构建至少一个非线性时间历程分析工况。

[0047] 如上所述的方法，所述对震后航拍影像进行图像处理，获取震区的实际建筑倒塌分布图，包括：

[0048] 利用目视判读法识别震后航拍影像中的各个建筑的实际建筑倒塌状态，根据震区的建筑分布图和识别到的各个建筑的实际建筑倒塌状态，得到震区的实际建筑倒塌分布图。

[0049] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0050] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，

[0051] 图1为本发明一实施例的基于震后航拍影像的近实时震损评估方法的流程示意图；

[0052] 图2为示例性的倒塌分布的示意图；

[0053] 图3为鲁甸地震的实际建筑倒塌分布图；

[0054] 图4为鲁甸地震的最优模拟建筑倒塌分布图；

[0055] 图5为相似度得分与经济损失的关系图；

[0056] 图6为经济损失的柱状图。

具体实施方式

[0057] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

[0058] 下面参考附图描述本发明实施例的基于震后航拍影像的近实时震损评估方法。

[0059] 图1为本发明一实施例的基于震后航拍影像的近实时震损评估方法的流程示意图。如图1所示，本实施例提供的基于震后航拍影像的近实时震损评估方法，包括以下步骤：

[0060] S101、识别震后航拍影像中各个建筑的实际建筑倒塌状态，获取震区的实际建筑倒塌分布图，其中，实际建筑倒塌分布图包括震区中各个建筑的实际建筑倒塌状态。

[0061] 具体地，可以利用无人机对震区进行航拍获取震后航拍影像，接着对震后航拍影像进行增强、复原、压缩等图像预处理，以得到清晰可见的震后航拍影像。在本实施例中，实际建筑倒塌状态包括两种状态，第一种为建筑发生倒塌、建筑未发生倒塌，基于所识别到的各个建筑的实际建筑倒塌状态输出震区的实际建筑倒塌分布图。

[0062] 具体地，目视判读法是指人们运用丰富的专业背景知识，通过肉眼观察，经过综合分析、逻辑推理、验证检测把影像中探测目标地综合信息提取和解析出来。本实施例通过专业人员的严格把关，更为准确地从震后航拍影像中识别各个建筑的实际建筑倒塌状态，接着结合震区的建筑分布图，确定震区的实际建筑倒塌分布图。

[0063] S102、根据至少一个非线性时间历程分析工况对建筑模型执行震区建筑震害模拟，得到震区的各个模拟建筑倒塌分布图，其中，一种非线性时间历程分析工况对应一个模拟建筑倒塌分布图，模拟建筑倒塌分布图包括震区中各个建筑的模拟详细破坏状态。

[0064] 具体地，通过非线性时间历程模拟得到震区的模拟建筑倒塌分布图，各个建筑的模拟详细破坏状态体现在模拟结果即模拟建筑倒塌分布图中。在本实施例中，模拟详细破坏状态可以包括完好、轻微、中等、严重、倒塌等。

[0065] 在执行震区建筑震害模拟之前，需要先构建海量的非线性时间历程分析工况。

[0066] 下面介绍如何构建非线性时间历程分析工况。

[0067] 在一种可能的实现方式中，“构建非线性时间历程分析工况”的具体实施方式为：确定至少一个地面运动预测方程；从地震动数据库中获取至少一条地震动记录；利用所确定的至少一个地面运动预测方程对所获取的至少一条地震动记录进行调幅，以构建至少一个非线性时间历程分析工况。

[0068] 举例来说，首先选择p种(例如，p为大于30的正整数)不同地面运动预测方程(GMPE，Ground Motion Prediction Equation)，再根据震源参数，针对每个GMPE从地震动数据库中选择q条(q为大于20的正整数)地震动记录，这样可构造出pq个非线性时间历程分析工况。

[0069] 在本实施例中，步骤S102的具体实现方式为：

[0070] S21、确定震区中的各个建筑的建筑模型。

[0071] 具体地，在搭建建筑模型时，采用多质点剪切串联模型模拟震区中的中低层建筑，采用多质点并联剪切弯曲协调模型模拟震区中的高层建筑。

[0072] S22、对每个非线性时间历程分析工况：利用与每个建筑相对应的调幅后的地震动作为输入，对相对应的建筑模型进行震害模拟，得到每个建筑的模拟详细破坏状态。

[0073] 具体地，事先构建了多个非线性时间历程分析工况，具体地，根据地面运动预测方程计算各个建筑所在位置的地震动强度，对所选的每条地震动记录，对每栋建筑，根据计算得到的地震动强度进行调幅，从而构建多个非线性时间历程分析工况。

[0074] 举例来说，非线性时间历程分析工况的总数为60，震区的建筑总数为50。对第1个非线性时间历程分析工况，震害模拟的结果为：建筑1：完好、建筑2：轻微、建筑3：中等、建筑4：严重、建筑5：倒塌、建筑6：倒塌、建筑7：倒塌、建筑8：严重……建筑49：严重、建筑50：倒塌。依次类推，得到第2个非线性时间历程分析工况至第60个非线性时间历程分析工况的震害模拟的结果。

[0075] S23、根据各个建筑的模拟详细破坏状态输出每个非线性时间历程分析工况对应的模拟建筑倒塌分布图。

[0076] 举例来说，第1个非线性时间历程分析工况，分别得到了建筑1至建筑50的模拟详细破坏状态，将建筑1至建筑50的模拟详细破坏状态体现到模拟建筑倒塌分布图。依次类推，得到第2个非线性时间历程分析工况至第60个非线性时间历程分析工况的模拟建筑倒塌分布图。

[0077] 在本实施例中，利用海量的非线性时间历程分析工况进行震害模拟，得到多个模拟建筑倒塌分布图，为建筑倒塌分布相似分析提供基础。

[0078] S103、将各个模拟建筑倒塌分布图与实际建筑倒塌分布图进行匹配，得到每个模拟建筑倒塌分布图的相似度得分。

[0079] 在本实施例中，建筑是否倒塌是一种二值事件，故可采用二值相似性来衡量模拟建筑倒塌分布图与实际建筑倒塌分布图的相似性。为了从一组模拟建筑倒塌分布图中找到与实际建筑倒塌分布图最为匹配的分布图，本实施通过计算模拟建筑倒塌分布图的相似度得分，根据相似度得分的高低，找到与实际建筑倒塌分布图最为匹配的分布图。

[0080] 具体地，可以采用逐点匹配法来计算模拟建筑倒塌分布图的相似度得分，该方法简单而有效。在逐点匹配法中，逐一比较每栋建筑的模拟详细破坏状态是否与实际建筑倒塌状态相同，若相同则计1分，否则计0分。

[0081] 设随机变量y表示建筑倒塌情况，y服从伯努利分布，即y～B(1,p)。y＝1表示倒塌，y＝0表示未倒塌。

[0082] 假设震区中的建筑总数为m，m为正整数，所得到模拟建筑倒塌分布图的总数为I，I为正整数。

[0083] 对第j个建筑，yij为第j个建筑对应第i个模拟建筑倒塌分布图的模拟详细破坏状态，yj为第j个建筑的实际建筑倒塌状态，其中，i为正整数，在1至I中取值，j为正整数，j在1至m中取值。

[0084] 则对逐点匹配法，步骤S103的具体实现方式为：

[0085] S31、对第i个模拟建筑倒塌分布图：

[0086] 根据公式：

[0087]

[0088] 计算第j个建筑对应第i个模拟建筑倒塌分布图的相似度得分Saij。

[0089] 具体地，对任一模拟建筑倒塌分布图，判断每个建筑的模拟详细破坏状态是否与实际建筑倒塌状态相同，若相同，该建筑的模拟详细破坏状态与实际建筑倒塌状态的相似度得分为计1分，否则计0分。

[0090] S32、根据公式：

[0091]

[0092] 计算第i个模拟建筑倒塌分布图的相似度得分SAi。

[0093] 具体地，对任一模拟建筑倒塌分布图，根据步骤S31可以得到各个建筑的模拟详细破坏状态与实际建筑倒塌状态的相似度得分，对各个建筑的模拟详细破坏状态与实际建筑倒塌状态的相似度得分先求和再取平均数，得到该模拟建筑倒塌分布图相似度得分。

[0094] 具体地，本实施例还可以采用加权逐点匹配法来计算模拟建筑倒塌分布图的相似度得分。

[0095] 不同建筑的倒塌概率不同，取决于建筑特性和建筑位置。为了引入建筑的位置坐标、结构类型等其他重要信息对于结果的影响，定义一个与建筑的倒塌概率有关的权重，将每个建筑的模拟详细破坏状态与实际建筑倒塌状态的相似度得分乘以权重为最终的每个建筑的模拟详细破坏状态与实际建筑倒塌状态的相似度得分。

[0096] 设随机变量y表示建筑倒塌状态，y服从伯努利分布，即y～B(1,p)。y＝1表示倒塌，y＝0表示未倒塌。

[0097] 假设震区中的建筑总数为m，m为正整数，所得到模拟建筑倒塌分布图的总数为I，I为正整数。

[0098] 对第j个建筑，yij为第j个建筑对应第i个模拟建筑倒塌分布图的模拟详细破坏状态，yj为第j个建筑的实际建筑倒塌状态，其中，i为正整数，在1至I中取值，j为正整数，j在1至m中取值。

[0099] 则对加权逐点匹配法，步骤S103的具体实现方式为：

[0100] S33、对第i个模拟建筑倒塌分布图：

[0101] 根据公式：

[0102]

[0103] 计算第j个建筑对应第i个模拟建筑倒塌分布图的相似度得分Sbij。

[0104] 具体地，对任一模拟建筑倒塌分布图，判断每个建筑的模拟详细破坏状态是否与实际建筑倒塌状态相同，若相同，该建筑的模拟详细破坏状态与实际建筑倒塌状态的相似度得分为计1分，否则计0分。

[0105] S34、根据公式：

[0106]

[0107] 计算第i个模拟建筑倒塌分布图的相似度得分SBi。

[0108] 其中，第j个建筑的权重 pj为第j个建筑的倒塌概率。

[0109] 图2为示例性的倒塌分布的示意图。在图2中，包含12栋建筑。其中，图2(a)为实际倒塌分布，图2(b)为模拟倒塌分布1，图2(c)为模拟倒塌分布2，图2(d)为模拟倒塌分布3。

[0110] 当采用逐点匹配法计算相似度得分时，模拟倒塌分布1与实际倒塌分布相差最大，对应的相似度得分较低(SA1＝7/12分)，模拟倒塌分布2对应的相似度得分(SA2＝10/12分)较高，模拟倒塌分布3对应的相似度得分(SA3＝10/12分)较高。

[0111] 当采用加权逐点匹配法计算相似度得分时，模拟倒塌分布1对应的相似度得分SB1＝0.596分，模拟倒塌分布2对应的相似度得分SB2＝0.857分，模拟倒塌分布3对应的相似度得分SB3＝0.882分。可以发现，加权逐点匹配法相对逐点匹配法可以将建筑的位置坐标、结构类型等其他重要信息对于结果的影响考虑进来。

[0112] 在本实施例中，各个建筑的倒塌概率可以基于机器学习的方法得到。

[0113] 首先，确定建筑倒塌概率的决定因素为倒塌概率因素向量x。举例来说，若确定建筑坐标、结构类型、建设年代、层数等因素是建筑倒塌的决定因素，则倒塌概率因素向量x由建筑结构、结构类型、建筑年代、层数构建，但并不限于举例说明。

[0114] 接着，确定建筑倒塌概率。具体地：

[0115] 第j个建筑的倒塌概率pj为：

[0116]

[0117] 则，第j个建筑的不倒塌概率1-pj为：

[0118] 1-pj＝P(y＝0|x＝xj；θ)＝1-h(θTxj)(6)；

[0119] 其中，x为倒塌概率因素向量，xj表示第j个建筑的倒塌概率因素向量，θ为基于逻辑分类算法训练得到的参数向量θ，逻辑函数h(z)的值域为(0,1)。

[0120] 通过上式可知，x倒塌概率因素向量为事先确定的决定因素，是一个已知量，只要确定了参数向量θ，根据公式(5)和公式(6)即可获知各个建筑的倒塌概率和不倒塌概率。

[0121] 下面介绍如何基于机器学习中的逻辑分类算法训练得到的参数向量θ。

[0122] 在一种可能的实现方式中，“基于机器学习中的逻辑分类算法训练得到的参数向量θ”的具体实现方式为：

[0123] S201、确定建筑倒塌分布模型：

[0124] P(y|x；θ)＝h(θTx)y[1-h(θTx)]1-y(7)。

[0125] 具体地，通过对公式(5)和公式(6)的观察，将其合并，得到建筑倒塌分布模型。

[0126] S202、根据建筑倒塌分布模型确定参数向量θ的最大似然估计值模型为：

[0127]

[0128] 具体地，根据现有技术中对似然函数的规定，在确定建筑倒塌分布模型之后，不难得到参数向量θ的最大似然估计值模型。

[0129] S203、从样本数据集中选取训练集，利用训练集训练最大似然估计值模型，得到参数向量θ的最大似然估计值。

[0130] 具体地，震区的建筑总数为m，并从震后航拍影像中识别到了各个建筑的实际建筑倒塌状态，且确定了各个建筑的倒塌概率因素。例如，对第j个建筑，其倒塌概率因素为xj，其实际建筑倒塌状态为yj。根据已知的信息，构建样本总数为m的样本数据集，并将第j个建筑的倒塌概率因素xj及实际建筑倒塌状态yj作为样本数据集的第j个样本数据。

[0131] 在本实施例中，可以选取从样本数据集中选取一部分样本作为训练集，训练最大似然估计值模型，得到参数向量θ的最大似然估计值

[0132] 进一步地，为了避免过拟合现象，在公式(8)中添加非负的正则化参数λ，形成公式(9)：

[0133]

[0134] 在本实施例中，可以选取从样本数据集中选取一部分样本作为交叉验证集，确定正则化参数λ的取值。当然，还可以选取从样本数据集中选取一部分样本作为交叉验证集测试集，测试机器学习精度。

[0135] S204、将最大似然估计值对应的参数向量θ确定为基于机器学习中的逻辑分类算法训练得到的参数向量θ。

[0136] 具体地，在得到参数向量θ之后，将其代入公式(5)和和公式(6)即可获知各个建筑的倒塌概率和不倒塌概率。

[0137] 在本实施例中，利用基于机器学习中的逻辑分类算法训练得到参数向量θ来计算各个建筑的倒塌概率和不倒塌概率，计算结果更为可靠。

[0138] S104、根据各个模拟建筑倒塌分布图的相似度得分选择最优模拟建筑倒塌分布图。

[0139] 具体地，可以将各个模拟建筑倒塌分布图的相似度得分与预设阈值进行大小比较，将相似度得分大于预设阈值的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图，也可以对对各个模拟建筑倒塌分布图的相似度得分进行排序，将相似度得分最高的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图，但并不限于此。

[0140] 在一种可能的实现方式中，步骤S104的具体实现方式为：对各个模拟建筑倒塌分布图的相似度得分进行排序，选出符合预设条件的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图。在本实施例中，预设条件可以自行设定，例如，各个模拟建筑倒塌分布图的相似度得分进行降序排序，将排在前面的预设个数的相似度得分的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图(即最优模拟建筑倒塌分布图有多个)；例如，相似度得分最高的模拟建筑倒塌分布图作为最优模拟建筑倒塌分布图；如果相似度得分最高存在多个，则多个相似度得分最高的模拟建筑倒塌分布图均作为最优模拟建筑倒塌分布图。

[0141] S105、根据最优模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态进行各个建筑的震损评估。

[0142] 具体地，房屋地震经济损失为房屋破坏损失Lh和装修破坏损失Ld之和，但并不限于此，房屋地震经济损失的计算方法根据实际情形制定。

[0143] 在本实施例中，对每个建筑，根据公式：

[0144] Lh＝S×Dh×P(10)

[0145] 计算房屋破坏损失Lh。

[0146] 在上式中，S为房屋建筑面积，单位为m2；P为房屋重置单价，单位为元/m2，Dh为最优模拟详细破坏状态对应的房屋破坏损失比。

[0147] 表1为各破坏状态下房屋破坏和装修破坏损失比中位值。在本实施例中，Dh根据表1取值。

[0148] 表1各破坏状态下房屋破坏和装修破坏损失比中位值

[0149]

[0150] 表2为建筑重置成本中位值。在本实施例中，P根据表2取值。

[0151] 表2建筑重置成本中位值，单位：元/m2

[0152]

[0153] 在本实施例中，对每个建筑，根据公式：

[0154] Ld＝γ1×γ2×(ξ×S)×Dd×(η×P)(11)

[0155] 计算装修破坏损失Ld。

[0156] 在上式中，γ1为考虑各个地区经济状况差异的修正系数，γ2为考虑不同建筑用途的修正系数，若不考虑则取1.0，ξ为中高档装修房屋建筑面积占总房屋的比例，η为房屋装修费用与房屋主体造价的比值，Dd为最优模拟详细破坏状态对应的装修破坏损失比。在本实施例中，Dd根据表1取值。

[0157] 需要指出的是，从表1中可以看出，建筑经济损失计算要求建筑的详细破坏状态作为输入，仅从灾区航拍照片中识别出建筑的倒塌分布情况，并不足以用于计算经济损失。但建筑的倒塌分布情况可被用于从大量模拟结果中识别最优模拟结果，最优模拟结果中包含建筑的详细破坏状态，从而可用于计算经济损失。

[0158] 本实施例提供的基于震后航拍影像的近实时震损评估方法，通过从震后航拍影像中识别震区的实际建筑倒塌分布图，以及通过震害模拟获取大量的模拟建筑倒塌分布图，接着通过相似度匹配法从大量的模拟建筑倒塌分布图选出与实际建筑倒塌分布图最为匹配的最优模拟建筑倒塌分布图，根据最优模拟建筑倒塌分布图进行震损评估。该方法利用震区现场航拍照片提供的重要信息，提高了震损评估的精度，具有极高的计算效率，可以在震后48小时内给出近实时的评估结果。

[0159] 下面以鲁甸地震为例，对基于震后航拍影像的近实时震损评估方法进行进一步地说明。

[0160] 图3为鲁甸地震的实际建筑倒塌分布图；图4为鲁甸地震的最优模拟建筑倒塌分布图；图5为相似度得分与经济损失的关系图；图6为经济损失的柱状图。

[0161] 以2014年鲁甸地震龙头山镇建筑为例，通过查询相关文献可获知鲁甸地震的震源信息：震级为M6.5，震源深度12km，震中位于27.189°N,103.409°E，地震给9km外的龙头山镇带来了较严重的破坏。地震发生后第二天，中国地震局就利用无人机获取了大量灾区航拍照片；建筑的详细破坏信息，则是通过专家赴现场展开震害调查历经近一个月而得到的。

[0162] 以下介绍基于震后航拍影像的近实时震损评估方法应用到鲁甸地震的过程。

[0163] 首先，获取鲁甸地震的实际建筑倒塌分布图(即图3)。具体地，通过对中国地震局发布的大量灾区航拍照片和各大新闻媒体提供的现场航拍照片进行识别，可以迅速得到鲁甸龙头山镇的实际建筑倒塌分布图(即图3)。

[0164] 其次，定义了如公式的(12)线性衰减函数，以图3所示的坐标系为例，在图3所示的坐标系中，x'轴正方向为东，y'轴正方向为北(N)，对建筑中心点的平面坐标(y'，x')，其在y'轴方向的坐标最大值为y'max，在x'轴方向的坐标最大值为x'max，其在y'轴方向的坐标最小值为y'min，在x'轴方向的坐标最小值为x'min。

[0165] PGAmax是一个系数，其值域取为{0.2g,0.4g,0.6g,0.8g,1.0g,1.2g}，因此，定义了30种不同的地面运动预测方程。从地震动数据库选用28条近场地震动记录，从而构造840种不同非线性时间历程分析工况。

[0166]

[0167] 采用多质点剪切串联模型模拟中低层建筑，多质点并联剪切弯曲协调模型模拟高层建筑，采用840种不同非线性时间历程分析工况进行区域建筑震害的非线性时间历程模拟，得到每栋建筑的详细破坏状态(完好、轻微、中等、严重、倒塌)。

[0168] 接着，使用倒塌分布相似度匹配方法，可以计算得到各个模拟建筑倒塌分布图的得分，以及最优模拟建筑倒塌分布图即图4。

[0169] 最后，绘制相似度得分与经济损失的关系图，如图5。并对图5进行统计，形成如图6的经济损失的柱状图，图6中的Vopt根据最优模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态计算得到经济损失。

[0170] 在图5中，除了模拟的损失Vj，还加入了实际的损失Vactual，易损性矩阵损失Vyin，实际地震工况损失Vrecorded。

[0171] 需要指出的是，模拟的损失Vj是根据模拟建筑倒塌分布图中各个建筑的模拟详细破坏状态计算得到经济损失。

[0172] 需要指出的是，实际的损失Vactual为专家赴现场展开震害调查历经近一个月而得到的经济损失。

[0173] 需要指出的是，中国强震动台网获得了该场地附近的实际地震动，利用中国强震动台网记录的实际地震动进行非线性时间历程分析，得到实际地震工况损失Vrecorded。

[0174] 需要指出的是，采用了传统的易损性矩阵方法对此次地震龙头山镇的建筑损失进行评估，其经济损失记为易损性矩阵损失Vyin。

[0175] 从结果中可以看出：

[0176] (1)本发明提出的加权逐点匹配法得到的最优模拟建筑倒塌分布图(即图4)与实际建筑倒塌分布图(即图3)还是比较相似的。

[0177] (2)使用本发明的方法得到的最优模拟结果对应的损失Vopt与实际损失Vactual接近，远优于易损性矩阵方法给出的损失Vyin，如图6所示。其关键原因是本发明建议的方法充分利用了实际建筑倒塌分布情况这一重要信息。

[0178] (3)使用实测鲁甸地震动记录得到的损失预测结果Vrecorded与实际损失Vactual也吻合良好。需要说明的是，强震台站实测的地震动记录可能难以完全体现每一栋建筑受到的实际地震作用，因此也不可能与实际震害完全一致。

[0179] 需要说明的是，上述840种非线性时间历程分析工况在一台多核心计算机上并行运算(CPU：Intel E5-2695v4@2.10Hz，36核；内存：64GB)，耗时仅约4min，倒塌分布相似度匹配更是能在几秒内完成。随着遥感或无人机技术的进步，震后24小时内就有望获取大量灾区的卫星或航拍照片，从而迅速识别得到灾区的建筑倒塌情况。

[0180] 综上所述，通过以上示例，可以总结得知：本发明提供的方法是一种近实时的地震经济损失评估方法，通过充分利用灾区航拍照片提供的重要信息，能在震后一两天内给出与耗时数周的专家调查结果接近的震损估计。

[0181] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

[0182] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

[0183] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

[0184] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

[0185] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

[0186] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

[0187] 此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

[0188] 上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。