Application of Building Spatial Distribution Method Based on Remote Sensing Image in Earthquake Disaster Loss Pre-assessment
-
摘要: 房屋建筑数据是地震重点危险区预评估工作的基础，需基于获取到的房屋建筑信息开展人员伤亡、经济损失、救援物资需求等预评估工作。历年地震重点危险区预评估工作能够通过现场调查得到的房屋建筑信息占比极小，仅能进行抽样调查。因此，为批量完成危险区内全部房屋建筑损失估算，需基于遥感影像获取房屋建筑矢量数据，并建立数据库。为实现全国地震重点危险区预评估工作中大批量建筑物矢量化数据的快速获取，本文采用基于遥感影像的建筑物空间分布数据批量获取方法，得到地震重点危险区内建筑物空间矢量数据，结合现场抽样调查得到的建筑物属性信息，建立地震重点危险区建筑物空间分布数据库，进而为地震重点危险区灾害损失预评估工作提供数据基础。本文采用的方法可广泛应用于地震重点危险区房屋建筑信息获取工作中，可提高工作效率，降低工作成本，提升预评估工作的科学性和准确性。Abstract: Building data is the basis of pre-assessment of key earthquake risk areas. Based on the obtained building information, pre-assessment of casualties, economic losses and relief material needs can be carried out. In the pre-assessment of key earthquake risk areas over the years, the proportion of building information obtained through field investigation is very small, so it can only be sampled. Therefore, in order to estimate the loss of all buildings in the dangerous area in batches, the best way is to obtain the vector data of buildings based on remote sensing images and establish a database. In order to achieve the rapid acquisition of large quantities of building vector data in the pre-assessment of key seismic risk areas in China, this paper proposes a method of building spatial distribution data batch acquisition based on remote sensing images, and then obtains the building spatial vector data in the key seismic risk areas, combined with the building attribute information obtained from the field sampling survey, The spatial distribution database of buildings in key seismic risk areas is established to provide data basis for disaster loss pre assessment in key seismic risk areas. The method proposed in this paper can be widely used in the acquisition of building information in key seismic risk areas in the future, which can not only improve the work efficiency, but also reduce the cost, and improve the scientificity and accuracy of pre-assessment.
-
Key words:
- Key seismic risk area /
- Pre assessment /
- Remote sensing image /
- Building /
- Spatial distribution
-
引言
地震信号采集过程中受外界环境干扰，以及传感器自身不确定性影响，信号夹杂次生噪声、环境噪声和仪器噪声，导致地震误判和漏判情况的发生（郑作亚等，2007；范涛，2014）。3种噪声中，仪器噪声对地震信号影响较弱，因此主要通过消除次生噪声和环境噪声带来的干扰，降低误判、漏判现象（李英等，2006）。
单纯的傅里叶方法很难从复杂的噪声环境中分离地震信号，而小波阈值方法可以在时频域表征信号变化，与傅里叶变换、窗口傅里叶变换相比，具有细节区分能力（孔祥茜等，2005；刘霞等，2010）。典型的小波阈值方法有硬阈值与软阈值降噪方法，硬阈值处理后容易造成信号的不连续，导致有效信号丢失；软阈值处理后信号与原信号相差较大，影响信号重构效果（侯跃伟等，2015）。Gao和Bruce提出半软阈值方法对硬、软阈值方法进行了改进（魏学强等，2016；唐守峰等，2011），对阈值函数进行加权平均，将加权因子设为0.5，但仍不能解决信号连续性的问题，且小波系数估计值与真实值偏差较大。新发展起来的基于S变换的软阈值降噪方法（曲中党等，2015）在S变换的基础上结合软阈值方法提高地震信号信噪比，有效提高地震信号降噪水平。小波综合阈值方法继承和发展了硬、软阈值的优点，结合软、硬阈值函数的优势对阈值函数进行改进，对信号的小波系数高频部分用硬阈值方法提高高频信号能量，对小波系数低频部分用软阈值方法保持信号连续性（Xia等，2017；曾宪伟等，2010），能够在保留信号连续性的同时提高高频信号能量。
针对小波阈值降噪中存在软、硬阈值函数不能有效消除噪声信号对地震信号的影响等问题，提出小波综合阈值方法对阈值函数进行改进。改进后，小波综合阈值函数的小波系数与真实函数的小波系数无限接近，既保持信号的连续性又能保留高频信号实现降噪。
1. 小波综合阈值降噪方法
1.1 小波综合阈值降噪方法原理
阈值函数法也称小波阈值降噪方法。Donoho等人已经证明小波阈值降噪方法优于其它经典降噪方法（Bruni等，2006）。目前，常用的阈值降噪方法包括软、硬阈值降噪方法。硬阈值方法将信号小波系数绝对值与小波系数阈值比较，实现信号高频部分小波系数的保留，但在阈值置零处易出现不连续现象，造成有效信号缺失（耿冠世等，2015；Mousavi等，2016），硬阈值函数如公式（1）所示；软阈值方法改善硬阈值方法中出现的信号缺失现象，但损失高频信号能量，软阈值函数如公式（2）所示。
$$ {\rm{hard}}\left({\omega, \lambda } \right) = \left\{ {\begin{array}{*{20}{l}} {\omega, \;\;\left| \omega \right| \ge {\rm{ }}\lambda }\\ {{\rm{0, }}\;\;\;\left| \omega \right| < \lambda {\rm{ }}} \end{array}} \right. $$ (1) $$ {\rm{soft}}(\omega, \lambda) = \left\{ {\begin{array}{*{20}{l}} {{\rm{sgn}}(\omega)\left({\left| \omega \right| - \lambda } \right), \left| \omega \right| \ge {\rm{ }}\lambda }\\ {{\rm{0}}, {\rm{ }}\left| \omega \right| < \lambda {\rm{ }}} \end{array}} \right. $$ (2) 式中，ω为信号小波系数；λ为阈值（非负值）；sgn为符号函数，当含噪信号大于0时，sgn=1；当含噪信号小于0时，sgn=-1。针对软阈值方法在降噪过程中造成高频信号能量损失的不足，小波综合阈值方法结合硬阈值方法提高信号高频部分能量并对信号低频部分用软阈值方法保持信号连续性的优势，提出小波综合阈值函数，如公式（3）所示。
$$ {\rm{new}}(\omega, \lambda) = \left\{ {\begin{array}{*{20}{l}} {\omega, {\rm{ }}\left| \omega \right| \ge {\rm{ }}\lambda {\rm{ }}}\\ {{\rm{sgn}}(\omega)(\left| {\omega - \lambda } \right|), {\rm{ }}\left| \omega \right| < \lambda } \end{array}} \right. $$ (3) 本文提出的小波综合阈值方法构造的新函数${\rm{new}}(\omega, \lambda) = {\hat \omega _{j, k}} $，需要满足${\hat \omega _{j, k}} = {\omega _{j, k}} $，使改进的小波系数与真实小波系数相近，避免小波重构时损失有效信号。由此，构造出小波综合阈值函数如公式（4）所示：
$$ {\hat \omega _{j, k}} = \left\{ {\begin{array}{*{20}{l}} {(1 - b){\rm{sgn(}}{{\hat \omega }_{j, k}})(\left| {{\omega _{j, k}} - \lambda } \right|) + {b_{{\omega _{j, k}}}}, {\rm{ }}\omega < \lambda }\\ {{\omega _{j, k}}, {\rm{ }}\omega \ge {\rm{ }}\lambda } \end{array}} \right. $$ (4) 其中，$ {\omega _{j, k}}$为真实小波系数，${\hat \omega _{j, k}} $为改进小波系数，令$b = \frac{{\left| {{\omega _{j, k}}} \right| - \lambda }}{{\left| {{\omega _{j, k}}} \right|}} $，当$ \left| {{\omega _{j, k}}} \right|$= $ \lambda $时，b=0，$ {\hat \omega _{j, k}}$=0；当$ {\omega _{j, k}}$= $\lambda $时，b=0，${\hat \omega _{j, k}} $=0，解决硬阈值方法在阈值置零部分不连续现象。随着$\left| {{\omega _{j, k}}} \right| $的增大，b=1，$ {\hat \omega _{j, k}} \approx {\omega _{j, k}}$，解决软阈值方法高频信号能量损失的问题。小波综合阈值降噪通过改变阈值函数保留高频信号的同时保持信号的连续性。实验结果表明，改进的阈值函数对地震信号降噪有很好的效果。
SNR（信噪比）和MSE（平均方差）是评定降噪方法优劣的一种方式，假定地震信号向量为a=[a0，a1，a2，…aN-1]T，则有公式（5）：
$$ {a_i} = {f_i} + {n_i}\;\;\;i = 0, 1, 2, \cdots \cdots, \left({N - 1} \right) $$ (5) 其中，fi为函数f的抽样，ni是分布为$N\left({0, \sigma } \right)$的高斯白噪声。降噪的目标是拟合值$ \mathop f\limits^ \wedge $的平均方差MSE最小，MSE的表达式如公式（6）所示：
$$ {\rm MSE} = \frac{1}{N}{\left| {\hat f - f} \right|^{\rm{2}}} = \frac{{\rm{1}}}{N}\sum\limits_{i = 0}^{N - {\rm{1}}} {({{\hat f}_i}} - {f_i}{)^2} $$ (6) 由式（6）可知，${\hat f_i} - {f_i} $越小，则MSE值越小，降噪后波形与原信号波形越近似。
1.2 小波特征能量谱系数
小波特征能谱系数是降噪方法的表征方式，能直观地观察信号在低频和高频部分的能量分布，便于观察降噪结果快速得出结论。小波特征能谱系数经过i个尺度分解后总能量不变，如公式（7），其中f(n)为地震信号离散采样序列，A为信号中低频部分，D为信号中高频部分，Aif(n)、Dif(n)为尺度变换后各个频率的分量，EiAf(n)、EiDf(n)分别为在分解尺度i上的低频信号分量能量和高频信号分量能量。
$$ f(n) = {A_i}f(n) + {D_1}f(n) + \cdots \cdots + {D_N}f(n)\;\;\;i = 1, 2, \cdots \cdots, N $$ (7) $$ {E_i}^Af(n) = \sum\limits_{i = 1}^N {({A_i}} f(i){)^2} $$ (8) $$ {E_i}^Df(n) = \sum\limits_{i = 1}^N {({D_i}} f(n){)^2}{\rm{ }} $$ (9) 定义每个小波分解中分量的能量与总能量之间的比值，即小波特征能谱系数，分别用参数$ h{E_i}^A$和$h{E_i}^D $表示，即：
$$ h{E_i}^A = \frac{{{E_i}^Af(n)}}{{Ef(n)}}\;\;\;\;i = 1, 2, \cdots \cdots, N $$ (10) $$ h{E_i}^D = \frac{{{E_i}^Df(n)}}{{Ef(n)}}\;\;\;i = 1, 2, \cdots \cdots, N $$ (11) 2. 小波综合阈值降噪实验
2.1 模拟地震信号降噪实验
实验研究处理的信号针对井下近震信号频段，近震信号以coif小波为小波基函数，并计算信号在6次分解后的小波特征能谱系数。在第3次分解尺度上的特征能谱系数中能观察出近震信号能量较强，因此选择3次分解上的小波特征能谱系数。井下近震信号采集过程中包括近震信号和噪声信号，近震信号峰值能量的频率主要集中在3—6Hz。根据随机噪声来源和噪声自身表现规律，将噪声划分为3类（表 1）：
表 1 噪声分类Table 1. Noise classification噪声类型 频率范围/Hz 降噪难度 环境噪声 3—20 难 次生噪声 5—30 难 仪器噪声 1—2 易 为比较小波综合阈值方法与软阈值方法对次生噪声及环境噪声的降噪能力，选取与近震信号具有相似小波系数特征的雷克子波信号进行模拟实验。雷克子波信号添加噪声频率范围为3—30Hz，包括环境噪声和次生噪声。图 1（a）为雷克子波波形及加噪雷克子波信号波形，对加噪雷克子波波形进行软阈值和小波综合阈值降噪实验如图 1（b）所示。
图 1（a）中加噪后的雷克子波信号初至到时为210s，加噪后波形高频信号被压制，无法分辨出地震信号与噪声信号。对比图 1（b）中2种降噪方法的波形，软阈值方法压制高频信号振幅，零频附近噪声与加噪后波形频率相似，降噪作用不明显；小波综合阈值方法提高高频信号振幅，降低噪声在零频时振幅。通过计算SNR和MSE（表 2）可知，小波综合阈值方法在2项指标上有所改进。小波综合阈值方法降噪后MSE值最小，降噪后信号与原信号更近似。
表 2 仿真降噪后所得结果的SNR和MSE值Table 2. SNR and MSE from the de-noised signal in simulation降噪方法 SNR MSE 硬阈值 18.5736 0.2907 软阈值 19.3285 0.2897 小波综合阈值 19.4136 0.2784 雷克子波波形能谱系数如图 2（a）所示，高频信号能量集中在第2次分解，噪声信号能量集中在第5、6、7次分解。加噪后波形能谱系数如图 2（b）所示，波形中高频信号能量被噪声分解，无法分辨高频信号能谱分布。利用软阈值方法对加噪雷克子波信号进行降噪处理（图 2（c）），该方法中高频信号能量集中在第1次分解，与原始信号波形能谱系数分布不符，压制高频信号能量，降噪效果不明显。小波综合阈值方法处理加噪波形结果如图 2（d），该方法中高频信号能谱系数分布与原信号相似，集中在第2次分解。小波综合阈值方法提高原信号中第2次分解的高频信号能量，抑制噪声信号在各次分解中的能量，有效实现降噪。
图 2 雷克子波波形图及降噪方法能谱系数Figure 2. Ricker wavelet and energy-spectrum coefficient of noise reduction method2.2 实际地震信号降噪实验
为验证小波综合阈值方法对实际地震数据处理效果，截取河南省周口市太康县逊母口镇地震波信号进行小波综合阈值滤波实验。太康县逊母口镇地震台站位于河南省周口市2条断裂构造的交会处，台站选择330m井深进行地震监测。
井下高频地震计数据采样频率为1024Hz，采样通道数为6道，记录长度为12s。为方便计算，抽取第2通道0—120s的数据如图 3（a）。地震信号能谱系数如图 3（b），利用软阈值方法对实际地震信号进行降噪处理，信号能谱系数如图 3（c），小波综合阈值和基于S变换的软阈值降噪后波形的能谱系数分别如图 3（d）和图 3（e）。实际地震信号、软阈值波形与原信号对比波形如图 3（f）。
图 3 逊母口镇软阈值处理图及降噪方法对比图Figure 3. Comparison of seismic waveforms with different noise reduction methods in Xunmukou county图 3（b）中高频信号能量集中在第1次和第2次分解，噪声信号分布在第3次分解后。对比图 3（b）和图 3（c），软阈值方法对实际信号降噪后，高频信号能量与原信号高频信号能量分布相似，对噪声信号降噪效果不明显。对比图 3（b）和图 3（d），小波综合阈值降噪方法增大了实际信号第1次和第2次分解的高频信号能量，小波综合阈值方法对高频部分作用明显，抑制低频信号能量，实现实际地震信号降噪。对比图 3（d）和图 3（e）基于S变换的软阈值方法同样能实现地震信号的降噪。观察图 3（f），由地震波运动学原理可知，初至波由于传播距离较短、能量强、衰减慢，表现为具有高频能量，据此可以判断地震波的初至到时在4.2s左右，地震波中有效信号在4.5—5s之间。6—12s时由于多次阈值分解使信号中夹杂的高频噪声被滤除，从能谱系数分布上可以看到第5次分解后信号能量降低且稳定。通过观察图 3（f）左图得知，软阈值方法丢失信号的初至到时，导致信号失真；观察图 3（f）右图得知，小波综合阈值方法和基于S变换的软阈值方法能保留信号的初至到时且能较完整的重构出原信号。通过实际地震数据试算可知，小波综合阈值降噪能更清晰、直观地反映地震数据的局部信息特征，降低次生噪声和环境噪声对地震信号带来的干扰和误判。
3. 结果与讨论
小波综合阈值降噪方法利用硬阈值方法提高高频信号能量，对信号低频部分利用软阈值方法保留信号光滑性，在提高信号降噪能力的同时保证信号连续性。本文分别用软阈值和小波综合阈值方法对加噪后雷克子波信号进行降噪处理，利用软阈值、小波综合阈值方法和基于S变换的软阈值方法对信号进行降噪处理，观察降噪后波形及能谱系数。实验表明，利用小波综合阈值方法降噪后雷克子波波形高频信号得到恢复，噪声能谱系数被压制；小波综合阈值降噪后波形MSE值最小，降噪后波形与原信号波形最近似。此外，通过对实际地震数据进行小波综合阈值降噪分析，能细致判断实际波形的初至时间和有效信号出现的时间范围。地震信号高频部分经过小波综合阈值降噪后能量更集中在第1次和第2次分解。
通过仿真实验和实际波形降噪实验验证，小波综合阈值方法与软阈值降噪方法相比，能有效消除次生噪声和环境噪声对地震信号带来的干扰，降低地震误判和漏判，其降噪效果与基于S变换的软阈值降噪方法同样明显。但是，小波综合阈值方法存在大量数据处理缓慢的问题，应改进算法上存在的冗余问题或进一步提出阈值函数的改进。改进后的小波综合阈值方法应能适应与近震信号有相似特征的信号，增加应用的广泛性与普遍性。
-
图 2 地震重点危险区建筑物遥感影像矢量化流程
Figure 2. Vectorization process of building remote sensing image in key seismic risk areas
图 3 山西省临汾市遥感影像分辨率及存储空间
Figure 3. Remote sensing image resolution and storage space of Linfen city, Shanxi province
图 9 山西省建筑物数量格网分布
Figure 9. Distribution map of building quantity grid in Shanxi province
图 10 山西省建筑物格网数据统计
Figure 10. Statistical table of building grid data in Shanxi province
图 11 山西省建筑物数量格网局部分布
Figure 11. Local distribution map of building quantity grid in Shanxi provinc
图 12 山西省浑源县恒山小镇建筑物矢量数据与遥感影像对比
Figure 12. Comparison of building vector data and remote sensing images in Hengshan town, Hunyuan county, Shanxi province
表 1 格网数据表结构
Table 1. Grid data table structure
字段名 中文名 字段类型 字段长度 是否可空 OBJECTID 要素ID Integer 14 否 GRIDID 网格ID VarChar 14 否 BUILDNUM 建筑物数量 Number 20 是 EARTHAREA 建筑物占地面积 Number 10 是 BUILDAREA 建筑物面积 Number 10 是 
下载: 导出CSV
表 2 建筑物数据表结构
Table 2. Buildings data table structure
字段名 中文名 字段类型 字段长度 是否可空 OBJECTID 要素ID Integer 14 否 COUNTYID 区县ID VarChar 14 否 COUNTYNAME 区县名称 VarChar 40 是 CITYNAME 市名称 VarChar 40 是 PROVINCENAME 省名称 VarChar 40 是 BUILDID 建筑ID VarChar 14 是 GRIDID 网格ID VarChar 14 是
下载: 导出CSV
表 3 区县建筑数据表结构
Table 3. District and county building data table structure
字段名称 字段描述 字段类型 字段长度 OBJECTID 唯一标识符 Number 14 PROVINCE 省编码 nvarchar 14 XZQMC 区县行政区名称 nvarchar 40 XZQEMC 行政区名称拼音 nvarchar 40 FULLNAME 全名 nvarchar 40 CITY 市代码 nvarchar 10 CITYNAME 市名称 nvarchar 10 XZQDM 区县行政区代码 nvarchar 14 EARTHAREA 占地面积 Number 10 BUILDAREA 建筑面积 Number 10 BUILDNUM 建筑物数量 nvarchar 10
下载: 导出CSV
表 4 山西省临汾市尧都区和晋中市榆次区建筑物结构类型比例（单位：%）
Table 4. Proportion table of building structure types in Yaodu district of Linfen city and Yuci district of Jinzhong city, Shanxi province（Unit：%）
地区结构类型 砌体结构 钢混结构 钢结构 单层民宅 单层厂房 临汾市尧都区 70.67 5.48 0.22 21.08 2.54 晋中市榆次区 57.47 5.53 1.75 31.28 3.97
下载: 导出CSV
表 5 山西省临汾市尧都区和晋中市榆次区建筑物层数比例（单位：%）
Table 5. Proportion table of building floors in Yaodu district of Linfen city and Yuci district of Jinzhong city, Shanxi province（Unit：%）
地区层数 10层及以上 7～9层 3～6层 1～2层 临汾市尧都区 0.88 0.39 14.93 83.73 晋中市榆次区 1.42 0.35 16.37 81.86
下载: 导出CSV
表 6 山西省浑源县建筑物结构类型比例（单位：%）
Table 6. Proportion table of building structure types in Hunyuan county of Shanxi province（Unit：%）
城镇地区 农村地区 结构类型 占比 结构类型 占比 砖混结构 77.16 砖混结构 7.60 砖木结构 3.20 砖木结构 72.30 土木结构 0.49 土木结构 11.20 土石结构 0 土石结构 8.90 钢混结构 18.66 钢混结构 0 钢结构 0.49 钢结构 0 木结构 0 木结构 0 其他结构 0 其他结构 0
下载: 导出CSV
表 7 设定地震预评估结果
Table 7. Table of pre-evaluation results
震级 灾区面积/km2 灾区人口/万人 灾区GDP/亿元 预评估结果 死亡人数/人 受伤人数/人 需紧急安置人数/人 需紧急救援力量/人 需帐篷数/顶 5.5 1 096 36 17 0～20 10～80 14 600～16 600 2 000～2 200 2 500～2 700 6.0 4 723 88 36 5～60 50～200 39 800～41 800 5 200～5 400 6 700～6 900 6.5 14 956 261 160 15～100 600～2 000 97 400～99 400 14 600～16 600 15 400～17 400
下载: 导出CSV
-
[1] 邓宏宇, 孙柏涛, Dong W. M., 2013. 遥感技术在地震应急基础数据库建设中的应用. 地震工程与工程振动, 33(3): 81—87.Deng H. Y., Sun B. T., Dong W. M., 2013. The application of remote sensing technology in the construction of earthquake emergency foundational database. Journal of Earthquake Engineering and Engineering Vibration, 33(3): 81—87. (in Chinese) [2] 罗磊, 汪斌, 2018. 基于GIS的震后修复建筑物空间分布格网化方法研究. 地震工程学报, 40(6): 1362—1365. doi: 10.3969/j.issn.1000-0844.2018.06.1362Luo L., Wang B., 2018. GIS-based gridding method for spatial distribution of post-earthquake repaired buildings. China Earthquake Engineering Journal, 40(6): 1362—1365. (in Chinese) doi: 10.3969/j.issn.1000-0844.2018.06.1362 [3] 石玉成, 高晓明, 谭明等, 2013. 2013年岷县漳县6.6级地震灾害损失评估. 地震工程学报, 35(4): 717—723. doi: 10.3969/j.issn.1000-0844.2013.04.0717Shi Y. C., Gao X. M., Tan M., et al., 2013. Disaster loss assessment of the Minxian-Zhangxian MS6.6 Earthquake, 2013. China Earthquake Engineering Journal, 35(4): 717—723. (in Chinese) doi: 10.3969/j.issn.1000-0844.2013.04.0717 [4] 魏本勇, 聂高众, 苏桂武等, 2017. 基于公里格网的地震人员埋压风险评估——以云南昭通市为例. 见: 2017中国地球科学联合学术年会论文集. 北京: 中国地球物理学会, 1938—1940. [5] 熊俊楠, 韦方强, 苏鹏程等, 2013. 基于多源数据的四川省GDP公里格网化研究. 应用基础与工程科学学报, 21(2): 317—327. doi: 10.3969/j.issn.1005-0930.2013.02.013Xiong J. N., Wei F. Q., Su P. C., et al., 2013. Research on GDP Spatialization approach of Sichuan province supported by multi-source data. Journal of Basic Science and Engineering, 21(2): 317—327. (in Chinese) doi: 10.3969/j.issn.1005-0930.2013.02.013 [6] 徐国栋, 袁艺, 方伟华等, 2011. 玉树7.1级地震震后损失快速评估. 地震工程与工程振动, 31(1): 114—123.Xu G. D., Yuan Y., Fang W. H., et al., 2011. Fast loss assessment of M7.1 Yushu earthquake. Journal of Earthquake Engineering and Engineering Vibration, 31(1): 114—123. (in Chinese) [7] 杨海霞, 2015. 建筑物空间分布格网化方法研究. 北京: 中国地震局地震预测研究所.Yang H. X., 2015. Research on gridding method of buildings’ spatial distribution. Beijing: Institute of Earthquake Science, China Earthquake Administration. (in Chinese) [8] 杨海霞, 王晓青, 窦爱霞等, 2015. 基于RS和GIS的建筑物空间分布格网化方法研究. 地震, 35(3): 136—146. doi: 10.3969/j.issn.1000-3274.2015.03.014Yang H. X., Wang X. Q., Dou A. X., et al., 2015. Multi-source and Multi-factor gridding method of building distribution based on RS and GIS. Earthquake, 35(3): 136—146. (in Chinese) doi: 10.3969/j.issn.1000-3274.2015.03.014 [9] 周中红, 陈文凯, 何少林等, 2019. 基于人口公里格网的地震压埋人员分布评估方法的应用与评价——以甘肃岷县漳县6.6级地震为例. 地震研究, 42(2): 288—294. doi: 10.3969/j.issn.1000-0666.2019.02.018Zhou Z. H., Chen W. K., He S. L., et al., 2019. Application and evaluation on a evaluating method for distribution of earthquake buried personnel based on population kilometer grid: taking Minxian-Zhangxian M6.6 earthquake as an example. Journal of Seismological Research, 42(2): 288—294. (in Chinese) doi: 10.3969/j.issn.1000-0666.2019.02.018 [10] Sridharan H., Qiu F., 2013. A spatially disaggregated areal interpolation model using light detection and ranging-derived building volumes. Geographical Analysis, 45(3): 238—258. doi: 10.1111/gean.12010 期刊类型引用(2)
1. 张静，陶彬彬. 基于MATLAB的小波去噪的研究. 辽宁工业大学学报(自然科学版). 2022(03): 177-182 . 
百度学术2. 邹根，陈秋南，马缤辉，雷勇，李君杰. 小波阈值法的改进及在地质雷达探测中的应用. 地质与勘探. 2019(04): 1036-1044 . 百度学术其他类型引用(1)
-
下载:
点击查看大图
计量
- 文章访问数: 269
- HTML全文浏览量: 80
- PDF下载量: 42
- 被引次数: 3
