首页/文章/ 详情

无人机+机器学习+城市弹塑性分析=震后近实时损失预测

地震那些事

1年前浏览956

Improving the accuracy of near-real-time seismic loss estimation using post-earthquake remote sensing images

Earthquake Spectra, 2018, DOI: 10.1193/041417EQS072M

http://www.earthquakespectra.org/doi/abs/10.1193/041417EQS072M

一、研究背景

在地震发生后及时评估地震损失是非常重要的。地震损失评估一般有三种方法：

1. 实际现场调查。

优点：相对准确。缺点：费时费力，在现场工作过的朋友们都知道这个工作绝不是个轻松的任务。

图1 2010年玉树地震我们在灾区工作时因高原反应在帐篷里面吸氧。

2. 航拍。

优点：效率高，特别是无人机的迅速发展给航拍带来了非常大的便利。缺点：只能看到建筑物明显的“外伤”，看不到建筑遭受的“内伤”。

比如，还是玉树地震，这是我们现场调查玉树州藏医院的一栋建筑，从外面看这个建筑貌似好好的（图2）。

图2 玉树州藏医院的一栋建筑，外表无明显破坏

但是走到里面一看，柱子已经这样了……（图3）

图3 玉树州藏医院的一栋建筑，内部结构破坏严重

所以航拍对倒塌的建筑识别相对准确，而对中度、轻度震害的建筑准确识别会相当困难。

3. 模型预测。

优点：成本低、效率高，可以算出各种破坏状态。缺点：“All models are wrong”，预测的结果都是在很多假设下得到的。预测结果可能和真实震害有比较大的差异。特别是如果输入的地震动误差比较大的话，那么算出来的结果也就完全不可信了。

“Garbage in, garbage out”

那有没有可能找到一个效率高精度也高的办法呢？

航拍的好处是可以快速得到真实的倒塌建筑分布，但是很多受到“内伤”的建筑震害识别不出来。模型可以算出各种破坏状态，但是算出来的结果可能是不真实的。所以我们就想到，能不能把这两个方法综合一下呢？我们可以在计算机里面构造出一大堆的震害模拟结果，然后从这些模拟结果里面找到最接近航拍照片中真实震害的那一个，再而后就可以用这个模拟结果来做损失预测。这样就可以充分利用上述两个方法的优点，同时可以避免他们的缺点。

二、实现方法

于是基于上述基本思路，我们就提出了这样一个工作的框架（图4）。

第一步：进行航拍，获得倒塌建筑的分布。这是由于从航拍图片上识别倒塌建筑相对最为容易。

第二步：构造大量地震输入情境

第三步：进行大量城市抗震弹塑性分析，获得各种可能的倒塌建筑分布。

第四步：将第一步航拍得到的真实建筑倒塌分布和第三步模拟得到的倒塌分布进行对比，寻找最接近的倒塌模拟结果。

第五步：根据最接近的倒塌模拟结果，预测地震导致的经济损失。

图4 提出的震损评估框架

第一、二、三、五步都比较简单，本文比较有特色的是第四步倒塌分布对比的算法，所以稍微详细一些介绍如下：

假设地震中真实倒塌的建筑分布如图5a所示。红色表示倒塌，白色表示未倒塌。三角表示砌体结构，圆圈表示混凝土框架结构。可见图5a中有三栋砌体结构倒塌了。

图5 倒塌建筑匹配方法

我们首先想到的倒塌分布对比算法是“逐个建筑比对法”，也就是对模拟得到的建筑和实际震害的建筑逐个比对，如果模拟和实际建筑是否倒塌结果一致，我们就计1分，否则就计0分。假设我们采用两个不同的地震输入，得到两个震害模拟结果，分别是图5b和图5c所示。根据“逐个建筑比对法”，将图5a和图5b和图5c对比，可以发现图5b得分为7/12，图5c得分为10/12。那显然图5c的预测结果更合理一些。这个和我们经验上的结论也是一致的。

但是“逐个建筑比对法”有一个问题，就是它只考虑了建筑是否倒塌，而其他信息却都没有考虑。而根据“逐个建筑比对法”，图5c和图5d得分都是10/12分，但是图5c中有一个框架结构倒塌了。而图5d中倒塌的都是砌体结构，和实际震害（图5a）更接近。因此“逐个建筑比对法”还应该进一步改进。

于是，我们进一步提出了“加权比对法”，即利用一点机器学习的方法，根据实际倒塌的建筑分布来分析不同类型、位置建筑倒塌的可能性差异。用这种可能性差异作为权重，对不同建筑的预测结果进行打分。举例来说，对图5a的实际震害结果，我们通过机器学习就可以知道，砌体结构在这次地震中更容易倒塌，而框架结构比较不容易倒塌。那如果算出来框架结构发生倒塌了，则预测结果就相对不合理一些。这样一来，我们就可以发现，图5b的得分是0.596分，图5c的得分是0.857分，图5d的得分是0.882分。那显然图5d的结果是更加合理的。

三、案例分析

好了，上述都是理论分析，那我们看看这个方法的实际效果如何。

首先我们构造了一个假想的地震情境，1730年9月2日在北京西郊圆明园发生了一场6.5级地震，我们先构造了一个假想的圆明园地震情境，对现在的清华校园建筑进行了分析，得到校园建筑的震害分布如图6所示。

图6 假想1730年圆明园地震情境下清华校园建筑倒塌分布

然后我们构造了2550个不同的地震动输入工况，进行城市抗震弹塑性分析，于是就可以得到2550个不同的倒塌建筑分布结果。

我们将这2550个倒塌分布结果和图6对比，然后将对比的得分和震损结果制图，结果如图7所示。横坐标是对比的得分，纵坐标是预测的经济损失。红色实线是“真实”地震损失，黑色虚线是用传统易损性矩阵算出来的损失。（注：这里的“真实”地震损失实际上是假想1730年圆明园地震情境下的损失）

从图中可以清晰看出来，随着得分的增加，预测的损失收敛于真实地震损失。最后最优解得到的损失预测结果是1315.6，真实地震损失是1100.4。而采用传统易损性矩阵预测的损失是286.9，可见本方法可以显著提升预测的精度。

图7 震损预测结果和倒塌分布对比得分结果关系图

图8 震损预测结果和真实损失对比

为了验证方法的有效性，我们还采用鲁甸地震龙头山镇的震损做了对比。图9是无人机航拍照片。

图9 无人机航拍照片，可以识别倒塌建筑的分布(图片来源：新华网)

图10中红色实线是根据震害现场调查得到的龙头山镇的真实震损结果。我们构造了840个模拟工况，最后最优预测震损结果收敛于真实震损结果。实际震损结果是27.72，本文方法预测结果是30.51，显著高于传统易损性矩阵14.00的预测结果（图11）。需要强调的是，由于计算机的效率很高，得到这样一个840个工况的预测结果只需要几分钟就可以完成，满足了震后高效获取结果的需求。