2017年8月8日21时19分,四川省阿坝州九寨沟县发生7.0级地震,震中33.20°N、103.82°E,震源深度20km。地震最大烈度为Ⅸ度,覆盖面积139km2,Ⅷ度烈度区面积为778km2。截至2017年8月13日,地震共造成25人死亡,525人受伤,6人失联,176492人受灾(含游客)。
地震造成漳扎镇、九寨沟风景区、九寨天堂洲际酒店、干海子村等多处道路不同程度的损毁,连接九寨黄龙机场的省道S301和景区内Z120县道受路基塌陷、路面开裂、次生灾害掩埋等的影响而交通中断,给应急救援和灾后重建带来较大困难。
道路是灾区的“生命线”,是物资运输、人员运送的重要通道,地震带来的道路破坏会严重影响救灾工作,如1976年唐山7.8级地震烈度Ⅶ区内共228km的公路受到损坏,36.5%的桥梁出现严重破坏,进出唐山的道路严重受阻(孙振凯等,1995);1995年日本兵库县地震造成的交通中断使灾民错过抢救黄金期;2008年汶川8.0级地震31412km的公路受灾,极、重灾区的道路迟迟不能打通(陈乐生,2010);2013年芦山7.0级地震造成灾区主干道G318线和S210多处被滑坡掩埋,路面开裂错台,宝兴县通往芦山县唯一通道受阻(刘金龙等,2013);2014年鲁甸6.5级地震引起2595km道路受损,通往极灾区龙头山镇的道路受阻,无法快速恢复功能(刘爱文等,2014)。
随着成像传感器分辨率的提高和无人机遥感平台的发展,高分辨率遥感影像数据在震后应急和评估中发挥着愈加重要的作用。刘亚岚等(2008)利用已有的交通基础数据库提取道路阻断信息,对汶川地震道路损毁进行遥感评估;陈世荣等(2008)基于高分辨率影像建立了道路损毁识别和评估模型,对汶川地震道路损毁分布和等级进行了评价;徐阳等(2011)结合道路网矢量利用面向对象方法检测汶川地震后北川、映秀等3处不同地区的损毁道路;赵红蕊等(2014)结合芦山地震前后基础地理信息建立道路损毁风险评估模型,评估震害对道路损毁的影响;刘三超等(2014)根据芦山地震应急评估需求,利用多源遥感数据评估道路损毁。
本文借助遥感手段,利用震后获取的高分辨率卫星、无人机影像,提取九寨沟地区主要道路信息,对其损毁情况进行遥感评估,对灾区主干道的可通行性作出分析;并结合实地调查结果进行验证,以期为灾区后续恢复重建工作提供信息支持。
2 研究对象及数据本文选择九寨沟灾区主干道—省道S301、县道Z120为研究对象。省道S301穿九寨沟县城和漳扎镇而过,连接九寨沟县和松潘县,也是至九寨沟黄龙机场的要道;Z120县道为九寨沟风景区内的主干道,连接沟口和熊猫海、五花海、镜海等景点。2条道路贯通Ⅶ度以上地区。
研究数据来自震后第一时间获取的卫星影像、无人机影像和震前卫星影像,数据源及其获取时间和空间分辨率等信息如表 1所示。卫星影像覆盖面积约3000km2,无人机影像覆盖面积约105km2,可实现对研究区道路的全覆盖(图 1)。
利用高分辨率卫星影像、无人机影像进行道路损毁遥感评估时,需要对多源影像进行几何校正、空间配准和图像融合等预处理,提升遥感影像质量,使多源影像相对位置关系准确,以利于对比分析。对高分一号、高分二号、北京二号影像采用Pan-sharp方法(Jawak et al,2013)进行全色和多光谱的融合,以提高影像分辨率,增加光谱维信息量。
3 道路震害遥感识别标志道路震害遥感评估的流程包括:道路震害类型和遥感损坏等级的划分—根据道路组成结构和遥感影像分辨率的约束,结合现场调查资料,对地震及其次生灾害造成的道路破坏进行分类分级。在此次九寨沟地震影像的基础上,结合2015年尼泊尔8.1级地震、2010年玉树7.1级地震等历史震例的典型影像,分析不同分辨率影像的道路破坏特征,建立不同破坏等级、破坏类型的道路的解译标志。
3.1 道路震害分类和损坏等级划分道路在地震中受到的损坏主要由滑坡等次生灾害引起,考察道路损坏情况通常从路面、路基、边坡等3个角度进行(韩用顺等,2009)。根据《生命线工程地震破坏等级划分》(GB/T 24336-2009)(全国地震标准化技术委员会,2009),道路震害地面调查时破坏分为5级:Ⅰ级,基本完好,路面、路堤未受破损或破损甚微,可通行;Ⅱ级,轻微破坏,路肩、挡土墙、垒面、路堑有细裂缝,路面轻微下陷或隆起,出现细裂缝或小于15cm的下沉,造成一定的行车障碍,但仍可通行;Ⅲ级,中等破坏,路面出现一定程度的下陷或隆起,如小的不均匀塌陷,斜坡崩坏,石头滚落,虽可通行,需谨慎行车,需要进行修复后才能通行;Ⅳ级,严重破坏,路面出现大的不均匀沉陷、明显裂缝、隆起,通行困难,需限制通行,需要进行大修后才能通行;Ⅴ级,毁坏,路面出现大的断裂和错位,有大于50cm的沉陷或悬空,或路堤发生崩塌,或由于崩塌、滑坡、岩土堵塞路面,已无法行车,需重建。
根据遥感影像空间识别能力,本文影像中典型的道路损坏类型有:①路面掩埋:由边坡滑坡或崩塌引起的路面被掩埋,土石等堆积物覆盖路面,原始路面完全或部分不可见;②滚石阻隔:滑坡、崩塌造成较大石块崩落,阻隔道路通行;③路基塌陷:某侧路基发生局部沉陷,塌陷部分与完好部分存在纵向上的较大高差;④路基开裂:路基产生不均匀变形,路基沿道路延伸方向裂开,发生横向的相对移动。在影像中对应的典型破坏类型如图 2所示。
综合考虑遥感影像识别能力、上述破坏类型及地震现场调查结果,本文将道路震害遥感判别等级分为:①基本完好:路面平整,路面上偶尔可见少许岩土碎屑,无需修缮即可通行;②部分损坏:部分路面保持平整,道路旁侧可见次生灾害形成的堆积物,路面出现轻微裂缝,未出现大面积路面掩埋、塌陷、巨石阻挡,路面进行清理后可以通行;③完全损毁:影像上路段灰度发生明显变化,大规模路基塌陷、滑坡物质将绝大部分或全部路段掩埋,路面线性特征完全消失,堆积物体量大,道路完全无法通行,需要花费较大的人力物力进行重修。各破坏等级道路损坏情况在无人机影像和卫星影像的典型表现如图 3、4所示。
地震后的道路在多种特征上存在显著的变化,综合考虑几何、光谱、上下文等因素,基于不同分辨率遥感影像对道路不同破坏等级建立遥感判读标志,并将部分因子进行量化对比说明。
3.2.1 基本完好道路基本完好道路在高分辨率的影像中存在显著的几何形态和光谱特征,即影像上的道路通常表现为条带状,连续性较好,存在固定的长宽比,通常具有相互平行的边线,在无人机影像和卫星影像中都有较好的体现(图 5、6)。从光谱特征上看,完好道路路面材质一致,图像灰度值较为均一,变化不大。道路在无人机影像中多呈灰白色,道路中心线可见,与植被、建筑物颜色差别明显;在卫星影像中沥青路面呈灰黑色(图 5),沿影像中的道路绘制光谱剖面线,完好道路通常在各波段变化较为平稳(图 6)。此外,完好道路拓扑结构完整,纹理结构规则,山区道路没有城市道路的网格状,但两侧布满植被为其主要的上下文特征,完好道路两侧山体植被覆盖完好,未出现明显的植被缺失(图 5)。
受到地震影响的部分损坏道路,其影像通常会呈现几何形态、色调上下文特征等异常。影像表现特征如下:几何形态上,路面整体保持平整,因土石在一侧堆积,道路边线平行性改变,出现部分边线消失、变形、道路宽度变窄等现象,道路宽度变为原有宽度的30%~80%;在较高分辨率的无人机影像中,呈现较明显的土石、建筑物废墟导致道路边线的破坏及新旧边线的变化(图 7)。光谱特征上,因土石掩埋、滚石阻隔导致局部灰度值产生变化,其光谱特征与完好道路间存在明显差异,不同形式的损坏导致在影像上出现不同的光谱特征,如少量土石遮掩的路段在影像中通常呈现浅土黄色,道路原本的颜色仍可观察到,无论是无人机影像还是卫星影像都有较好表现(图 8);有碎石的路面通常会存在亮度异常值,一般为亮度较高的分散点,有不规则的边界形状,在无人机影像中可以观察到,在卫星影像中无法判读(图 9);绘制光谱剖面线观察部分破坏道路的光谱异常特征可发现,与完好道路的曲线(图 6)相比,存在破坏的道路通常会出现峰值或谷值的异常点,曲线变化剧烈(图 10)。部分损坏道路影像上呈现的上下文特征主要为道路周围植被的变化。道路中央突出的植被往往表示道路存在破坏,结合边坡滑落的土石量及道路被阻拦的面积、规模可判定破坏等级。部分损坏的道路通常仅有少量树木出现,未完全将道路堵塞,同时,边坡未出现因滑坡造成的大量的裸露土层。在无人机影像和卫星影像中,植被的信息都较容易提取和识别(图 8)。
(a)无人机影像;(b)北京二号影像;(c)现场调查照片 |
(a)无人机影像;(b)北京二号影像;(c)现场调查照片 |
遥感影像中完全损毁道路的解译标志为:因路基坍塌、土石掩埋产生的线性中断引发路面变形扭曲,道路的连续直线型被中断或模糊,完全损毁之处丢失全部线性信息。不同分辨率影像对道路线性中断异常的识别能力差别不大(图 11)。部分道路受路面开裂的影响,在超高分辨率无人机影像中可观察到一纵向线性条纹,但在卫星影像中则无法识别(图 12),结合现场调查,比对结果如图 12(c)所示。
(a)无人机影像;(b)北京二号影像;(c)现场调查照片 |
(a)无人机影像;(b)北京二号影像;(c)路面开裂现场调查照片 |
滑坡物质大量堆积造成土石掩埋的路段通常会出现色调异常,在影像中呈现出与堆积体相同的颜色,通常为面积较大的土黄色,将道路的灰色完全遮盖,无人机影像和卫星影像中都可通过与周边完好道路的色调对比得以捕捉此异常(图 11)。由路基塌陷造成的损坏导致路基底层颜色外露,由破坏等级划分标准,将其识别为完全损毁,如在镜海存在一处路基塌陷导致水面颜色外露。这种色调异常可从无人机影像上观察到道路护栏悬于水面之上,但在卫星影像中则无法对路基塌陷作出判别(图 13)。
(a)无人机影像;(b)北京二号影像;(c)路面开裂现场调查照片 |
完全损坏道路也可通过上下文特征,利用植被覆盖的合理性以及滑坡等次生灾害的分布情况进行判定。如道路中央有大量倾倒植被存在、将道路整个拦截等现象通常表示道路被完全损毁(图 13(a));两侧分布的植被出现大面积缺失,暴露出土壤的颜色(图 14(a)、14(c));在滑坡分布密集的区域,道路损坏的可能性增高,通过判读滑坡可为道路损毁提供证据(图 14(b))。
(a)无人机影像;(b)高分二号影像;(c)尼泊尔地震高分一号影像 |
根据遥感解译结果,并结合现场调查资料,本文对道路破坏情况进行统计分析。研究区域共出现110处明显破坏,省道S301共有32处较明显破坏,Z120县道出现78处破坏(图 15)。
漳扎镇有9处因滑坡而导致部分路面被土石掩埋,破坏程度均为“损坏”;省道S301西段—上四寨至干海子村路段存在18处损坏,九道拐部分路段完全被掩埋。
Z120县道损毁严重,卧龙海、树正群海、老虎海、犀牛海等路段有13处因滑坡而产生不同程度的土石掩埋,部分护栏被冲毁;镜海路段发生路面开裂,裂缝可达20cm,一侧道路出现多处塌陷;五花海至熊猫海道路完全中断,37处破坏,其中,11处道路被土石完全掩埋,滑坡等次生地质灾害仍继续发生,受其影响的路段潜在风险大,无法安全通行(图 16)。
对遥感判别的破坏等级进行统计分析发现,在110处破坏中,其中,68处为部分损坏,42处为完全损毁,道路整体破坏严重。对受破坏原因进行统计分析发现,绝大多数由滑坡引起,崩塌、路基塌陷、路基开裂等共占9处。对Z120县道路段进行实地调查,其中,23段道路为基本完好,在遥感解译得出的37处破坏点中,30处的遥感判读与地面调查的破坏等级一致,故提取精度较高(表 2)。
在九寨沟地震中,高分辨率的卫星、无人机影像能提供丰富的数据源,不同分辨率的影像对道路震害信息的识别提取能力有差异:米级分辨率的卫星影像无法准确识别滚石、路面裂缝等细微道路破坏,但其丰富的光谱信息可识别滑坡造成的严重道路损坏,其大范围覆盖有助于对整个灾区道路宏观破坏信息的把握和重特大道路破坏的快速定位。0.2m空间分辨率的航空影像上可识别道路塌陷、滚石、路基开裂等细微破坏。多源影像结合对道路震害的快速评估有着重要意义。地震道路损毁遥感评估可为震后快速疏通“生命线”提供重要灾情信息。未来结合多源数据利用计算机自动提取道路震害信息,建立定量化的道路震害评估模型,对道路可通行性作出快速分析将成为研究的重点。
陈乐生. 2010, 汶川地震公路震害与分类. 西南公路(2): 38–44, 55. |
陈世荣, 马海建, 范一大, 等. 2008, 基于高分辨率遥感影像的汶川地震道路损毁评估. 遥感学报, 12(6): 949–955. |
韩用顺, 崔鹏, 朱颖彦, 等. 2009, 汶川地震危害道路交通及其遥感监测评估—以都汶公路为例. 四川大学学报, 41(3): 273–284. |
李杰, 2012, 公路系统地震灾害损失评估方法研究, 硕士学位论文, 哈尔滨: 中国地震局工程力学研究所. |
刘爱文, 帅向华, 吕红山, 等. 2014, 鲁甸地震生命线工程震害特点及应急抢修. 震灾防御技术, 9(3): 359–367. DOI:10.11899/zzfy20140303 |
刘金龙, 林均岐, 刘如山, 等. 2013, 芦山"4·20"地震公路交通系统震害调查分析. 自然灾害学报, 22(3): 18–23. |
刘三超, 汤童, 高懋芳, 等. 2014, 利用高分辨率遥感数据的芦山地震道路损毁快速评估. 航天器工程, 23(4): 125–130. |
刘亚岚, 张勇, 任玉环, 等. 2008, 汶川地震公路损毁遥感检测评估与信息集成. 遥感学报, 12(6): 933–941. |
孙振凯, 毛国敏, 邹其嘉. 1995, 唐山地震公路交通系统的震害统计. 华南地震, 15(4): 35–42. |
徐阳, 李清泉, 唐炉亮. 2011, 基于道路网矢量数据的遥感影像道路损毁检测. 测绘通报(4): 14–16, 22. |
赵红蕊, 王涛, 石丽梅, 等. 2014, 芦山7.0级地震震后道路损毁风险评估方法研究. 灾害学, 29(2): 33–37. |
全国地震标准化技术委员会. 2009, 生命线工程地震破坏等级划分(GB/T 24336-2009). 北京: 中国标准出版社. |
Jawak S D, Alvarinho J L. 2013, A comprehensive evaluation of PAN-sharpening algorithms coupled with resampling methods for image synthesis of very high resolution remotely sensed satellite data. Advances in Remote Sensing, 2(4): 332–44. DOI:10.4236/ars.2013.24036. |