引言

地震是一种严重危害人类生存安全、阻碍社会经济发展、破坏社会稳定的自然灾害，其突发性和瞬时破坏性特点已成为全球严重的公共安全、社会问题，甚至是政治问题（曹彦波等，2007）。人类的生命、所拥有的财产、赖以生存的资源和环境以及正常生产和生活遭受地震危害的部分为地震灾害承灾体（高兴和，2002）。离开承灾体减灾就无从谈起，因此，要重视对承灾体的考察研究；而充分评估自然异变和社会承灾能力的灾害预报才具有现实的减灾意义（王锋，1991）。深入考察研究承灾体是制定减灾对策的重要基础（殷杰等，2012）。

灾害承灾体调查工作是一项重要的基础性工作，此项工作可以加强国家对灾区相关基础数据变化情况的了解，为减轻和防御灾害提供基础信息支撑。地震灾害给承灾体造成的损害和破坏主要以建筑生产线的损毁为主。在实际灾害的形成过程中，人类生存及活动的主场所（房屋）倒塌最为常见和频繁（陈有顺等，2009；王瑛等，2009；李慧明等，2010；常想德等，2017）。房屋基础数据的调查与收集是进行防震减灾对策研究最为重要和难度最大的工作。目前，地震灾害主要承灾体（房屋）基础数据的获取主要靠野外调查（张继文等，2009），2000年合肥市地震局开展了合肥市房屋基础资料调查，并建立房屋基础数据库（甘承钊等，2000）；2008年中国地震局地质研究所开展了南北地震带房屋基础数据抽样调查；2012年新疆地震局对新疆所有县市区200多个抽样点进行格网野外房屋抽样调查。在其他行业，同样依靠野外调查获得承灾体数据，如康薇薇等（2011）进行了房屋调查在特高压项目中的应用研究；杨耀中等（2014）进行了江苏省海洋灾害承灾体调查研究，其成果对减少灾害损失、提高对灾害的应对能力和应急处置水平以及对开展灾害预警报工作、风险评估和区划工作起到了积极的作用。

为更好地建立新疆地震应急区域房屋基础数据库，展现真实房屋空间分布，完善区域房屋属性等相关信息，而非仅仅局限于野外调查区域数据和格网估算数据，本研究引进三维遥感技术，将小型无人机作为图像获取的载体，获取清晰度高、时效性强、场景特征丰富的无人机航拍遥感影像。综合运用RS和GIS手段，提取区域房屋占地面积，同时实现高效的场景三维重建。在高精度三维城市地图上，进行区域房屋楼层及房屋纹理结构目视解译，完成区域房屋基础数据信息提取，获取研究区真实房屋空间分布、结构类型、建筑面积、层数等信息，完善新疆地震应急基础数据库，为该地区地震的预测预防、地震的应急工作、救援以及震后恢复等防震减灾工作服务，同时也能为防御城市其他灾害以及城市规划、建筑等事业服务。

1.   研究方法

已有的研究中，承灾体数据的获取主要靠野外调查，主要采用现场查看、咨询、现场测量等方法；根据调查数据，结合统计数据，采用多元回归分析算法计算区域格网房屋基础数据（韩贞辉，2013；丁文秀等，2015）。该类数据以1km²为基础计算单元，对比以县级行政区划为计算单元的统计数据，虽然精度更高，却仍为估算数据，而非实际量测值，数据精度有限。本研究采用倾斜摄影测量技术进行了大重叠度无人机遥感影像三维场景重建，打破了传统正射摄影垂直拍摄建筑物屋顶的局限性，可以从多个角度完整地获取建筑物表面的纹理信息，真实展现建筑物的纹理结构。同时结合遥感数据处理方法，最终获取各类型建筑物的面积信息，减少了野外工作的任务量，提高了数据精度。

表 1  本研究方法获取房屋数据的优点

Table 1.  The advantages of our approach in obtaining housing data

比较项	行业专项方法（野外+统计+算法）	本研究方法（遥感信息提取）
效果	格网图	真实空间信息
精度	估算值	测绘级精度
数据呈现	不能完全展示所有要素	全要素展现
数据类型	估算格网数据	属性+影像
制作周期	效率低、周期长	效率高、周期短
制作成本	成本高	成本相对低

下载: 导出CSV 

| 显示表格

本研究的实验方法和研究主要步骤如下：

（1）基于倾斜摄影测量技术的建筑物三维模型构建。主要包括影像预处理、特征提取、三维结构解算、点云模型构建、正射影像图和三维模型构建。

（2）面向对象（李政国等，2011）房屋空间分布信息自动提取。即基于获得的研究区正射影像图进行房屋空间分布信息提取，面向对象的信息自动提取方法主要包括影像分割、提取规则建立、目标提取及后处理优化。

（3）基于光谱、纹理信息的目视解译。在高精度三维地图上，通过基于光谱、纹理信息的目视解译，获取研究区房屋结构及层数等基本属性信息。

（4）计算房屋建筑面积。统计基于面向对象方法提取的房屋的占地面积，结合目视解译方法获取的层数信息，计算房屋建筑面积。

技术路线见图 1。

图 1  技术路线图

Figure 1.  Flowchart of detailed technology

下载: 全尺寸图片 幻灯片

2.   建筑物信息提取

2.1   建筑物三维模型构建

获取三维模型的方法可以分成3类：①利用数学方法构建模型；②利用扫描设备扫描物体构建模型；③利用图像立体成像构建模型。数学方法和扫描方法构建的模型精度高，但难以构建大区域场景模型，因此，在区域建筑物三维模型构建中图像建模方法的应用较多。

目前，无人机航拍广泛应用于军事侦察、城市规划、土地及水资源调查、自然灾害监测、公共安全国防事业及广告摄影等领域。本研究将无人机航拍图像与基于序列图像的三维重建技术相结合，围绕室外场景进行三维重建，建立了吐鲁番市市区三维地图；将遥感与GIS相结合，获得研究区房屋基础数据。通过无人机低空影像采集平台上安装的5个面阵相机，按照固定程序每1秒钟同时曝光拍摄5张照片，从不同角度拍摄同一物体。作业区域位于吐鲁番市主城区，测区为平地，无人机数据于2014年4月12日获取，地面分辨率为59mm，航向重叠度为80%，旁向重叠度为70%，摄影仪用SONY相机，焦距35mm，当日能见度较好，整个航区共采集1607组8035张影像。采用Acute3D公司的Smart 3D Capture软件进行全自动正射影像和倾斜影像的联合空中三角测量，构建三维真实场景。主要建模步骤如下：

（1）对影像及POS数据进行预处理，剔除模糊、畸变的数据，使影像与POS数据一一对应。

（2）在Smart 3D Capture软件中新建一个数据处理工程（project），用航空影像、相机参数、机载POS数据等作为输入数据，匹配控制点量测，进行影像相对定向、绝对定向及区域网平差，完成多视角影像空三解算。POS数据记录了无人机航测中摄影中心的位置坐标值X、Y、Z和摄影光束的姿态o、p、k，用于建立航带内和航带间模型间的拓扑关系网（王伟等，2011；田野等，2013；李金香等，2017）；相对定向即进行相机位置估计以及计算航空影像在成像时相对位置的过程（崔红霞等，2005）。相对定向获得的高程为相对高程，要获得绝对高程需要采用地面控制点进行绝对定向及区域网平差。

（3）经过空三解算，进一步生成点云模型，进而计算生成密集的三维点云以及纹理信息，生成研究区正射影像图如图 2所示。从图中可清晰分辨出研究区建筑物顶面信息，其可用于建筑物占地面积的识别；经过空三处理的数据在产出正射影像图后，进行三角网（TIN）的构建及纹理映射，进而构建实景三维模型。研究区局部区域三维模型结果如图 3所示。从图中可清晰分辨出单个建筑物纹理信息，其可用于建筑物结构类型和层数信息的识别。

图 2  吐鲁番市主城区正射影像图

Figure 2.  Orthophoto image of the main city of Turpan

下载: 全尺寸图片 幻灯片

图 3  吐鲁番市主城区三维模型结果图

Figure 3.  Image from 3D model of the main city of Turpan

下载: 全尺寸图片 幻灯片

2.2   建筑物空间信息提取

无人机航摄遥感影像的空间分辨率高、数据获取的成本相对较低，航片数据可以提供丰富的地物信息，清晰展现地物的结构、纹理，因此采用无人机航摄遥感影像进行专题信息提取成为遥感研究热点。传统的信息提取方法，如监督分类、非监督分类等，往往基于光谱信息进行统计分析，适用于中低空间分辨率的遥感影像。而对于高分辨率遥感影像，基于光谱信息的分类方法使得分类变异性增加，提取结果准确性降低（董小姣等，2013）。面向对象信息提取方法综合利用了光谱信息和空间信息，将相邻像素作为一个整体，建立不同的规则进行信息提取，更符合高分辨率遥感影像的视觉判别（Jin等，2005；乔程等，2008；陶超等，2010），目前已经成为高分辨率遥感影像信息提取的主要方法之一（曾涛等，2010）。

采用面向对象进行建筑物信息提取的主要步骤为：影像分割与合并、建筑物特征选择及规则建立、初步提取、后处理优化（曾涛等，2009；徐昌荣等，2011）。影像多尺度分割时，尺度越小，分割的对象越多、越密集，越不利于突出房屋建筑物；尺度越大，部分边缘不明显的房屋在分割时会缺失；而在合并过程中，合并尺度越小，房屋建筑越破碎化，合并尺度越大，房屋建筑越整体化。通过不同分割尺度与合并尺度计算实验对比，找到适合房屋建筑提取的最佳尺度。本研究采用分割尺度为50，合并尺度为90的参数进行面向对象多尺度分割。经过分割后，影像的基本单元已不是单个像元，而是由同质像元组成的多边形对象（王岩等，2009）。计算各对象的属性，如光谱、空间、纹理等。采用样本选择及支持向量机（SVM）分类方法提取建筑物，并对提取后的结果进行分类后处理，采用主要分析、聚类处理等去除小斑块，过滤去除孔洞，完成基于面向对象方法的建筑物信息提取，提取目标对象初始结果如图 4（a）所示。由图可知，基于面向对象方法提取房屋建筑物信息，对楼房区域的建筑物提取效果较好，然而部分楼房仍存在边缘不规整的区域；对于平房区提取效果较差，存在多提、误提现象，尤其是对裸地、道路交叉口、单层建筑的凉棚误提率较大；而对植被、水体的区分率较高。

图 4  面向对象房屋建筑物提取结果及精度评价区域图

Figure 4.  Building image extracted by object oriented method and accuracy evaluation distribution in space

下载: 全尺寸图片 幻灯片

本文采用分割正确率（正确分割的像元占应该分割的原始影像像元的百分比）来定量评价建筑物提取结果精度，进而判断提取结果的好坏。对10个评价区域的建筑物实例进行人工跟踪信息提取，图 4（b）中白色区域为人工跟踪的建筑物边界线，黄色区域为本文算法提取的建筑物边界线，叠加原始影像进行对比分析。分别统计10个评估区人工跟踪提取的建筑物总面积A_manual、本文算法提取的建筑物总面积A_auto、两者相同的面积A_common，进而计算10个评估区域的分割正确率T_C以及虚警率T_F（误提率即本不该分割却分割的像元占应该分割的原始影像像元的百分比），用来评估建筑物提取结果的精度。具体结果如表 2所示，评估区1—6为楼房区，分割正确率均在94%以上，误提率在20%以下，总体提取精度较高，其中误提率较大的评估区1和评估区4均为将道路错提为建筑物；评估区7—10为平房区，由于本方法提取的平房区无法区分单个房屋建筑，出现多个建筑连片提取现象，故而选择4个片区进行精度评价，评估区分割正确率均在75%以上，总体提取精度较高，然而误提率均高于32%，误提区域多为裸地、凉棚等。总体而言，本方法可以凸显建筑物信息，该方法对楼房区建筑物提取结果较好，而对平房区建筑物提取结果误差较大。

表 2  建筑物提取精度评价

Table 2.  Accuracy evaluation of buildings

评价区域	Aauto/m2	Amanual/m2	Acommon/m2	TC/%	TF/%
1	1213	1128	1081	95.79	11.73
2	1230	1228	1159	94.36	5.81
3	959	938	889	94.77	7.43
4	922	790	774	98.02	18.70
5	925	873	853	97.71	8.20
6	961	946	903	95.45	6.09
7	1752	1373	1157	84.24	43.34
8	5586	4665	4085	87.57	32.17
9	2086	1673	1379	82.45	42.25
10	5242	4806	3631	75.54	33.52

下载: 导出CSV 

| 显示表格

为更好地进行后续研究应用，根据实际目标对象的几何特征，采用人工目视解译对初始结果进行后处理，从而获得最终比较理想的目标对象提取结果，如图 5所示。

图 5  研究区建筑物空间分布图

Figure 5.  Spatial distribution of buildings in the study area

下载: 全尺寸图片 幻灯片

无人机倾斜摄影测量采用5台面阵相机在同一秒进行同时拍摄，获取空间位置点前视、后视、左视、右视、下视5景影像。根据倾斜摄影测量原理可知，在无人机起飞前进行航线规划时，需要坚持“飞多高扩多远”的规划原则，无人机航飞时同一空间位置点拍摄的5景影像覆盖不同的区域，因此在本研究区外围边缘区域，仅有单一一台倾斜摄影相机进行拍摄，该区域仅有一个方向的纹理特征，故而在进行建筑物信息提取时，仅对三维建筑纹理清晰全面的主城区进行信息提取，具体信息提取区域见图 5。

2.3   建筑物属性信息提取

基于已建立的研究区建筑物三维模型（图 3），采用人工目视解译方法解译每个建筑物的结构类型、楼层数作为建筑物属性信息。无人机航拍影像空间分辨率高，其建立的三维模型可以提供丰富的地物信息，清晰展现建筑物各个方向的结构、纹理。

根据吐鲁番市的实际情况，建筑物结构类型主要分为以下7类：土木结构（A类）、砖木结构（B类）、老旧砖混结构（C类）、具有抗震措施的砖混结构（D类）、钢混结构（E类）、高层建筑（F类）以及特色建筑（G类）。其中，土木结构（A类），指以生土墙和木屋架作为建筑物的主要承重结构的房屋建筑；砖木结构（B类），指建筑物中竖向承重结构的墙、柱等采用砖砌，楼板、屋架等用木结构；砖混结构，指竖向承重结构的墙、柱等采用砖墙或砖柱，水平承重构件采用钢筋混凝土楼板、屋面板等，将2000年及以前的砖混结构房屋归为老旧砖混结构房屋（C类），将2000年后依据《砌体结构设计规范》（GB 50003—2001）建造的房屋建筑归为具有抗震措施的砖混结构（D类）；钢混结构（E类），指承重的主要构件是由钢筋和混凝土两大材料构成，非承重墙由砖或其他材料填充（中华人民共和国国家质量监督检验检疫总局等，2005）；高层建筑（F类），指10层及10层以上，或房屋高度大于28m的住宅建筑以及房屋高度大于24m的其他高层民用建筑混凝土结构（中华人民共和国住房和城乡建设部，2010）；特色建筑（G类），主要指吐鲁番地区一层为居住住房、二层为凉房、用于晾晒葡萄干的特色建筑结构，一般一层以土木、砖木结构为主，二层为以土胚或砖块垒砌的镂空建筑。

经过对已建研究区建筑物的三维模型进行人工目视解译，完成了2852幢房屋属性信息的提取，具体提取结果如图 6、7所示。图 6为吐鲁番市主城区建筑物结构类型分布图，采用不同的颜色展现7种结构类型建筑物的空间分布，图 7为吐鲁番市主城区建筑物楼层数分布图，采用不同的颜色展现4类层高建筑物的空间分布。由图 6、7可知，吐鲁番市主城区建筑物结构类型主要以砖木结构和抗震砖混结构为主，砖木结构房屋以单层平房居多，单个房屋占地面积小，房屋总体数量多，形状多样，分布集中，主要分布在吐鲁番市老城区，该类房屋抗震性能低而居住人口较多，在地震时易造成人员埋压，在进行减灾对策制定时应考虑相关因素。抗震砖混结构房屋以近年新建的多层楼房为主，单个房屋占地面积较大，房屋以小区形式集中建设，规划统一，形状规则，抗震性能较高，主要分布在人工湖、博物馆附近的新城区。图中有部分老旧砖混结构房屋为2000年前建设，主要以砖为承重结构和墙体，楼盖为混凝土板的建筑，该类房屋建设时统一规划，以2层楼房建筑居多，其抗震性能较抗震砖混结构房屋低，房屋老旧，地震时易损坏伤人，该类房屋主要分布在城西的老城区中。在主城区东北方的单层平房中，有部分房屋为吐鲁番市一层住房、二层镂空凉房的特色建筑，该类型房屋总体数量较少，分散分布于平房居住区，该类型房屋抗震性能较差，在地震活动中易倒塌伤人，在进行减灾对策制定及震害预测时应予以关注。研究区存在土木结构、钢混结构、高层建筑房屋，其数量较少，土木结构房屋主要分布于老城区，抗震性能低；钢混结构房屋主要分布于新城区街边商铺，高层建筑主要分布于新城区主要道路路口，这2类结构类型房屋建筑按照抗震设防要求建设，房屋抗震性能高。

图 6  研究区建筑物结构类型分布图

Figure 6.  Distribution of structure type of buildings in the study area

下载: 全尺寸图片 幻灯片

图 7  研究区建筑物层数分布图

Figure 7.  Distribution of buildings in different stories in the study area

下载: 全尺寸图片 幻灯片

2.4   野外调查验证提取结果

利用研究区正射影像图作为野外抽样调查地图，野外调查工作的主要任务是识别区域建筑物的结构类型和楼层数，可以使用路线抽样和全区域逐院（逐栋）调查的方法。一般情况下，在建筑物类型不复杂的区域及建筑物线性分布区进行路线抽样，即沿着规划路线对沿途建筑物类型和楼层数等信息进行调查记录；在建筑物数量结构类型较为复杂的情况下，需要进行逐院（逐栋）调查，主要针对老城区，即建筑物密集、结构类型多样、影像识别误差相对较大的区域。

在完成野外抽样调查后，对野外抽样的数据进行整理，尤其是完成现场采集的图片与遥感构建的三维模型中建筑物的比对关系，以防止后期因时间长而出现图片位置无法识别的现象，造成野外工作损失。本研究共进行了4次野外调查，采集了1031个调查点房屋结构类型和楼层数数据，拍摄建筑物照片381张，其中典型的三维建筑物模型与现场调查对比图如图 8所示。

图 8  典型的三维建筑物模型与现场调查对比图

Figure 8.  Comparison of 3D images from building models with photos from field surveys

下载: 全尺寸图片 幻灯片

其中，无人机于2014年4月12日对在建建筑进行了航拍，以此航片数据构建的建筑物三维模型如图 8（a）所示，野外调查时间为2015年2月，现场调查图片如图 8（b）所示，在建筑物三维模型中，该区域为在建小区，影像中无法识别建筑物结构类型、楼层数信息，需结合现场调查判断，对该类型的区域进行重点调查，完成数据变更。目前此小区已经建设完成，在数据处理时需按照现场调查结果进行处理。

受无人机航拍时拍摄视角的影响，三维模型在构建过程中存在底商效果差的现象，使得构建的建筑物底部侧面纹理模糊，如图 8（c）所示。在遥感解译时，识别该类建筑物结构类型时易出错，因此需结合现场调查进行结构类型的判别。图 8（d）为现场调查结果，图中房屋建筑为典型的土木结构单层建筑，墙体为土坯墙，在数据处理时需进行相应调整。

吐鲁番市夏天天气较热，多数居民房屋建设有门廊以及凉棚，如图 8（e）所示。在采用面向对象方法进行建筑物遥感解译时，将居民住房、门廊、凉棚等均解译为房屋建筑，存在误差，故在数据处理时，需结合现场调查结果，通过对平房居民区采用区域（逐院）调查，进行人工校正，去除误提区域，现场调查图（图 8（f））显示该建筑为门廊，数据处理时予以更正。

吐鲁番市盛产葡萄，当季的葡萄采摘结束后挂在凉房内凉制葡萄干，因此吐鲁番民居中有一层为住房、二层为镂空建筑的凉房特色建筑，如图 8（g）所示。该类建筑抗震性能低，在地震活动中易倒塌造成灾害，目前政府已严禁在住房上加盖凉房，并开放单独区域进行集中凉房建设，图 8（h）为现场调查图。该类建筑在研究区分布较少，在进行遥感解译时，对此类型建筑以特色建筑结构类型进行划分。

吐鲁番市城市历史悠久，老城区建设有老旧砖混结构建筑，如图 8（i）所示，该图为老旧砖混建筑三维模型，现场调查结果如图 8（j）所示。该类建筑为承重墙为砖墙、楼盖为混凝土板的房屋，按统一规划，集中建设为二层楼房的住房，由于建设时间久远，房屋质量差，抗震性能低，因此在房屋结构类型划分时按老旧砖混结构建筑划分。

仅从建筑物三维模型中的纹理结构识别建筑物结构类型，存在一定误差，需结合现场调查进行核实。如图 8（k）所示，房屋结构类型仅从模型外侧纹理判别，可判别为抗震砖混结构，然而在实际调查发现，该建筑结构类型为钢混框架结构，图 8（l）为现场调查的建筑物内部结构图，图中可见钢筋混凝土承重柱，因此在数据处理时需结合现场调查结果进行房屋结构类型的修正。

经过现场调查后，将现场调查结果与遥感解译结果进行对比（图 9）。调查区域内建筑物提取的精度评价（现场调查与遥感解译结果混淆矩阵）如表 3所示。该调查区共有房屋建筑801幢，其中钢混结构建筑7幢，抗震砖混126幢，老旧砖混170幢，砖木结构479幢，土木结构19幢。该调查区中老旧砖混解译结果与现场调查一致，主要原因为调查区为吐鲁番市老城区，老旧砖混房屋多为二层建筑，表面为砖纹理的老旧房屋，而抗震砖混房屋多为近年新建楼房，楼层数增高，建筑表面色彩丰富，容易区分。本研究将砖混结构建筑进行了细致划分，调查区中解译的抗震砖混房屋共129间，其中包括了错误解译的钢混结构房屋3幢，单从建筑物表面纹理解译，很难区分钢混建筑房屋和抗震砖混房屋，需要配合现象调查进行错分纠正。调查区内解译的砖木结构房屋建筑498幢，其中包含土木结构房屋19幢，调查区土木结构房屋与砖木结构房屋在影像中无法区分，房屋建筑表面纹理有白灰墙面、水泥墙面、泥土墙面、瓷砖墙面，单从墙面纹理很难识别内在房屋建材，必须通过现场调查才能确定，由野外调查可知，调查区一层房屋多为砖木结构建筑，故而在遥感解译时，将老旧的一层建筑均解译为砖木结构，以现场调查结果补充土木结构建筑分布情况。本研究计算了调查区域内建筑物提取的总体分类精度，对遥感提取结果与实地调查结果一致性进行验证。总体分类精度等于被正确分类的建筑物总数除以总建筑数，被正确分类的建筑物数目沿着混淆矩阵的对角线分布，总建筑数等于所有调查区域内建筑物总数。调查区域内建筑物提取的总体分类精度为97.25%，经过与现场调查进行比对，遥感解译结果总体精度较高。

图 9  现场调查与遥感解译结果对比图

Figure 9.  Comparison between field investigation and model interpretation

下载: 全尺寸图片 幻灯片

表 3  调查区建筑物提取精度评价（单位：幢）

Table 3.  Accuracy evaluation of buildings of the investigation area (unit:building)

房屋类型（调查）	房屋类型（解译）
	A	B	C	D	E	合计
A	0	19	0	0	0	19
B	0	479	0	0	0	479
C	0	0	170	0	0	170
D	0	0	0	126	0	126
E	0	0	0	3	4	7
合计	0	498	170	129	4	801

下载: 导出CSV 

| 显示表格

通过现场调查数据对遥感解译结果进行修正，得到吐鲁番市主城区房屋精确的结构类型属性信息，结果如图 10所示。

图 10  现场调查校正后房屋结构类型空间分布图

Figure 10.  Spatial distribution of house structure type after correction from field investigation

下载: 全尺寸图片 幻灯片

由图 10可知，修正的房屋结构类型主要为土木结构和钢混结构房屋建筑。在遥感解译时，土木结构房屋与砖木结构房屋易混淆，而钢混结构房屋与抗震砖混结构房屋易混淆，土木结构和钢混结构房屋建筑在研究区分布较少，在遥感解译时，应对判别模糊的区域进行标注，在现场调查规划时作为重要调查点进行现场查看，确定其结构类型。最终结合现场调查结果修正遥感解译结果，获得研究区高精度房屋数据。

根据获取的研究区各类型建筑物空间分布图（图 10），采用地理信息系统空间统计分析方法，计算研究区内每个建筑物的占地面积，结合目视解译的楼层数属性数据，计算研究区建筑物的建筑面积，获取研究区各类型建筑物房屋建筑数据。研究区各类型建筑物总面积统计结果如表 4所示，可知研究区主要以砖木结构建筑和抗震砖混结构建筑居多，其中抗震砖混结构建筑占地面积最大，说明吐鲁番市主城区在2000年后新建设楼房较多；研究区内砖木结构建筑占地面积位居其次，说明主城区内仍有大面积的平房区，该区域为今后城市改造的重点区域；就建筑总面积而言，吐鲁番市主城区内抗震砖混结构建筑总面积最大，说明城市居住在2000年后新建楼房中的人数较多，城市总体较为年轻化，城市抗震性能较高。

表 4  研究区各结构类型建筑物面积统计表

Table 4.  Statistics of areas of various structure types buildings in the study area

房屋类型	建筑数量	占地总面积/m2	建筑总面积/m2
A	41	9267	9267
B	1396	350982	350982
C	408	115608	213960
D	799	722360	3460573
E	155	166987	414601
F	11	14600	306044
G	42	3407	6813
总计	2852	1383211	4762240

下载: 导出CSV 

| 显示表格

3.   结论

本文以吐鲁番市主城区为例进行了三维遥感技术在承灾体基础数据调查中的应用研究，以无人机采集的倾斜摄影测量数据为基础，采用遥感与GIS手段相结合，获取了研究区真实房屋空间分布、结构类型、建筑面积及层数等信息，为该地区震前预测预防、地震应急、震时救灾以及震后恢复等防震减灾工作提供了基础数据。主要结论如下：

（1）本研究采用目前较为流行的倾斜摄影测量技术进行大重叠度无人机遥感影像三维场景模型重建，打破了传统正射摄影垂直拍摄建筑物屋顶的局限性，建立的模型能够反映区域真实地物地貌，数据获取简单、快速、省时省力。数据处理过程全自动化，大大提高了生产效率。

（2）基于建立的研究区正射影像图及建筑物三维模型，采用遥感技术提取了研究区建筑物空间分布数据，结合人工目视解译判读获取了研究区建筑物结构类型及楼层数等属性信息，为地震灾害主要承灾体，即建筑物数据的获取提供了基础，补充了现有数据获取主要靠野外调查的不足。

（3）通过全区域（逐院）调查、路线勘查方式进行4次野外调查，完成了研究区主要建筑物结构类型、层数等数据的现场采集，修正遥感解译结果，提高了数据提取的精度。

（4）采用了空间统计分析方法获得了研究区单个建筑物占地面积、建筑面积及研究区各结构类型建筑物占地总面积、建筑总面积数据，为吐鲁番市防震减灾政策的制定提供了可靠的基础数据。

本研究仅考虑了采用倾斜摄影测量技术进行研究区建筑物数据提取的方法，今后可进一步进行建筑物三维模型精细重建、模型单体化以及相关数据提取技术研究，深化三维模型在防灾减灾方面的应用力度。