第1章绪论
1.1 研究背景及意义
彩钢板建筑是指以彩钢板为主要材料搭建的建筑物，又名彩钢板房或彩钢棚（刘道春，2015）。其因外观漂亮、建筑成本低廉、重量轻及建设速度快等特点，成为临时建筑物的首选，被广泛应用于居民临时住房、建筑工棚、仓库、厂房及售货亭等（马吉晶等，2018）（图1.1）。
随着“一带一路”倡议的提出和“西部大开发”等国家重大战略的实施，兰州、银川等省会城市（自治区首府）作为西北重镇，是城市转型升级、城市化快速发展的重要节点。东部企业规模性西迁、城市化进程加快等因素共同促使在城市中的城中村、城乡接合部、产业园区（以工业园区为主）、建筑工地及道路沿线等地块大量建设彩钢板建筑物，其成片出现，具有很强的聚集特性而成为彩钢板建筑群，塑造了较为特殊的城市“地貌”。部分地块的高分影像如图1.2所示，其中大部分彩钢板建筑物呈现为规则的蓝色构造物，部分为土黄色、红色等。
彩钢夹芯板的材料主要为岩棉、聚苯乙烯和聚氨酯等，具有耐火性差、易燃烧、易倒塌等特性，其燃烧快速且难以扑救，产生的烟气有剧毒等（宋晓勇，2011）。在临时性彩钢板建筑较为集中区域，人口、建筑密度大及规划不科学等因素造成消防通道不畅，从而成为城市火灾的高发区（迟佳萍等，2019）。据不完全统计，2010年以来，全国发生彩钢板建筑火灾事故多达897起，共造成102人死亡，55人受伤，经济损失达1亿多元（李可明，2016）。此外，大部分彩钢板建筑因材质、临时性和施工质量等，成为劣质和非绿色建筑的代名词，是环境监管、城市化质量及城市形象提升整治的重点（熊云川，2016）。
彩钢板建筑的大量存在，一方面映射了城市发展的进程，是城市转型升级的阶段性表征，具有重要意义（王金梅等，2019）；另一方面彩钢板建筑的材质存在燃点极低、燃烧后蔓延速度快、倒塌快及散发气体有毒等缺陷，导致彩钢板建筑群聚集区成为违章建筑和火灾防范的重点安全监管区，对城市的管理和安全带来隐患。
目前，针对彩钢板建筑的研究主要集中在城市小规模违法改建、材质的易燃性和个别火灾案件上（胡鹏，2020；张涛和李强，2020），而针对其在城市中的时空分布及演变规律、与城市空间结构关系、区域性火灾风险及高风险区消防救援措施等方面的研究明显不足（Yang et al.，2018）。由此，本书对彩钢板建筑信息遥感识别与提取、彩钢板建筑群时空分布特征、彩钢板建筑群与城市空间结构关系、大型彩钢板建筑群与产业园区关联性，以及彩钢板建筑群火灾风险评价及消防救援优化五个方面的问题进行了阐述，分析了彩钢板建筑群对城市发展的表征和影响，有助于促进城市管理、防灾减灾等工作的开展。
1.2 国内外研究现状
彩钢板建筑是城市建筑物的一部分，与城市发展密切相关（张小虎等，2013）。然而，彩钢板建筑在城市中大规模出现的时间不长，在不同城市发育的规模、用途等差异巨大，没有引起学界对其本身及其与城市关系的重视，相关研究较少，且多集中在材质和火灾风险等方面。彩钢板建筑多分布于固定建筑物（水泥材质）之上，材质相对特殊，在高分影像上具有比较明显的光谱和空间特征，因此，遥感是获取彩钢板建筑信息的*佳手段。基于此，本书从彩钢板建筑遥感提取、彩钢板建筑与城市空间结构的关系及其火灾风险等方面尝试阐述相关的研究进展。
1.2.1 彩钢板建筑遥感提取
彩钢板建筑是较为特殊的一类建筑物，国内外相关研究对其遥感识别和提取的方法鲜有涉及，仅笔者团队做了一些初步探索。例如，李鹏元等（2017）利用GF-1遥感影像采用面向对象的多尺度分割算法，构建了多尺度分割的知识决策树模型，初步实现了彩钢板建筑信息的提取，但该方法人工干预较多，效率不高。彩钢板建筑在材质、涂色和外观结构等方面均存在一定差异，增加了图像识别的难度。为更准确地提取目标信息，在后续研究中不断借鉴其他建筑物提取的方法和技术，重点研究了深度学习算法（申顺发，2021），以构建新的更有效的提取方法。
1.建筑物提取方法
建筑物因其独*的几何特征，在高分影像中特征相对比较明显。为此，学者们提出了一些理论和方法较为有效地解决了目标信息的识别和提取（张庆云和赵冬，2015），概括起来，这些研究方法大致可归类为边缘检测和区域分割两大类。
1）边缘检测
边缘检测方法提取的原理为，先根据影像中建筑物边界灰度值变化程度，运用边缘检测算法得到建筑物边缘特征；然后利用空间关系对连续变化的点进行分组，并在此基础上结合已获得的先验知识完成图像空间结构、边缘轮廓的绘制，*终得到建筑物空间结构信息。
在研究中，学者们提出很多卓有成效的方法。例如，Kim和Muller（1999）等根据建筑物具有较明显的几何特征的特点，运用图搜索的思路，基于投票的方法辅助完成了建筑物结构的提取。然而，该方法不适用于几何特征不明显建筑物的提取，普适性不足。陶文兵等（2003）对Canny边缘检测算法进行了改进，在原算法的基础上融入了几何结构元分析方法，较为有效地提取了建筑物信息。在此基础上，王丹（2009）基于高分辨率影像采用Canny边缘检测算法分割建筑物边界与背景，并对边界信息进行了跟踪处理，根据建筑物主线的相互关系并结合区域分割的思想实现了建筑物边界信息的提取。然而，验证和文献分析表明基于边缘检测的建筑物提取方法不适用于较复杂的影像环境，且精度难以保证。
此外，一些研究者认为可以根据建筑物的纹理特征实现建筑物信息的识别。例如，Lin（1994）通过分割产生的特征碎片并借助感知分组技术，排除与建筑物属性不相符的其他碎片，并用阴影作为辅助信息实现了复杂城市环境下建筑物信息的提取，其精度优于一般建筑物提取方法。Levitt和Aghdasi（1997）采用纹理度量的方法将影像中的建筑物与一般地物进行分离，实现了建筑物的提取。Katartzis等（2001）在提取建筑物边界信息的基础上，将马尔可夫模型和单一机载RGB光学影像进行组合，实现了建筑物信息的自动提取。另一些学者认为可采用角点检测算法提取建筑物，角点检测算法区别于边缘检测算法，该方法在检测过程中，将角点定为邻点变化较大的点，角点测定依据为灰度、梯度变化评估。例如，Jung和Schramm（2004）采用Hough变换算法对屋顶角点进行检测，并利用建筑物的几何特性进行约束，从而实现了建筑物信息的提取，但该方法不适用于非常规建筑物，因此普适性不足。在此基础上，崔有祯等（2013）采用改进的Harris角点检测算法对不同改进算法进行角点检测和叠加，提高建筑物轮廓提取的精度。这些方法的探索对建筑物信息的遥感提取都起到了较好的促进作用。
2）区域分割
根据文献分析，区域分割建筑物提取方法大致可分为三种：一是基于区域生长的方法，通过单个像素逐一组合，逐渐合成目标对象；二是四叉树算法，由整幅影像逐级向下分裂为小目标的分割算法；三是分水岭分割算法，以邻近像素间的相似性为基准，将在空间位置上相邻并且灰度值相近的像素点互相连起来构成一个封闭的轮廓作为分割基础。
其中，分水岭分割算法被广泛应用，学者们对该算法进行了一系列研究和改进。分水岭分割算法由Vincet和Soille（1991）首次提出，其基本思路是将整张图像看作地学上的地貌特征，地势的海拔由图像中每个像素的灰度值表示，将数值高的点看作山峰，而将数值低的点看作山谷，模拟不同颜色的水注入山谷的过程，在交汇处建起的堤坝则代表分割特征的边缘。该算法具有较好的普适性，基于此，魏德强（2013）基于QuickBird影像，利用分水岭分割算法实现了建筑物信息的提取，且其几何规则被较好地保留。赵宗泽和张永军（2016）在分水岭分割算法模拟注水的过程中引入了植被指数，取得了良好的分割效果。
为进一步提高建筑物信息提取的精度，充分利用建筑物整体分布、走向和几何特征等信息，根据存在表达方式和计算方法的差异，学者们提出了分形网络演化（fractal net evolution approach，FNEA）和均值移动（mean shift）的思路。其中，分形网络演化是比较实用的且较为成熟的多尺度分割方法。均值移动由Fukunaga和Hostetler（1975）提出，是一种非参数化的提取方式，并行处理像素的同时将具有相同模态的特征聚成一类，不需要过多的人为干预。基于此，黄昕（2009）提出了自适应均值移动的分割算法，对不同类别的地物确定自适应带宽，以此聚合影像的空间特征。朱双志（2012）提出了一种可以较好聚集光谱同质像素点的改进均值移动算法，实现了建筑物信息分割的目的。
综上所述，现有建筑物遥感提取方法在目标区域提取中较为实用，但仍存在一定的待改进之处：①分割算法对建筑的判断过于依赖建筑物几何特征（如线性、角点、边缘特征）、纹理、颜色、空间特征等，部分算法需要以人的先验知识为辅助才能完成建筑物轮廓的提取，局限明显，不适用于形状不规则建筑物信息的提取；②只适用于数据量较少的数据集；③针对地物类型复杂且建筑物具有不同几何、纹理、光谱等特征时，仅依靠几何形状、空间、颜色等特征难以准确提取所有建筑物的信息；④提取方法虽然具有一定的实用性，但实操过程相对复杂，自动化程度不高。
2.深度学习算法
近年来，随着计算机性能及深度学习算法的不断完善，学者们将深度学习算法大量用于遥感目标的识别和提取，取得了较好的成果（张浩然，2021；刘明春，2019）。建筑物本身的复杂性、高分影像中建筑物细节特征突出等使得仅依靠光谱反射率难以有效识别和提取目标信息。由此，深度学习算法被广泛应用于建筑物信息提取，其中以卷积神经网络（convolutional neural network，CNN）的应用更具代表性（李晨溪等，2017；Russakovsky et al.，2015）。学者们进行了大量研究工作，如Mnih（2013）使用马萨诸塞州道路数据集，对基础网络模型、融入条件随机场网络模型及后处理模型等进行对比分析，取得了较好的提取效果。在此基础上，Saito和Aoki（2015）、Saito等（2016）利用Mnih博士的公开数据集改进了网络模型，构建了一个新的损失函数CIS，创建了由建筑物、背景标签和道路进行叠加形成的三通道新的数据集，有效地提升了提取精度。
上述算法虽然能够提取大部分建筑物信息，但是基于对像素级语义层面的切割算法通过卷积神经网络进行处理，导致内存工作量的负担极大，影响计算效率，限制了可感知区域的大小（谷明岩，2020；Guo et al.，2016a）。由此，全卷积神经网络（fully convolutional neural networks，FCN）应运而生（Long et al.，2015），它去除了传统CNN中的全连接层，对末端的特征图进行反卷积，生成与输入图像分辨率相同的分割结果，从而实现了像素级的高精度分类（宋青松等，2018；Maggiori et al.，2017；Marmanis et al.，2016）。例如，Ronneberger等（2015）以FCN框架为基础，对网络模型进行改进，将每层编码器产生的结果与解码器结合，连接了上下文信息，从而获得了更好的提取效果。左童春（2017）对FCN网络进行了改进，将低级尺度不同特征融合到高层中，融合不同层级特征的同时对神经网络模型的运算进行了简化，在保证精度的前提下，提高了建筑物信息识别的效率。
然而，网络深度、特征维度逐渐提升之后，容易造成细节信息提取的遗漏。由此，一些学者提出了“U”形卷积神经网络（U-net）（Ronneberger et al.，2015）和语义分割（Segnet）（Badrinarayanan et al.，2017）等方法。其中，U-net以FCN为核心，选用结构上的对称设计，有效融合了低维、高维的特征，提升了目标识别的准确度。这些神经网络内部的采样同样
展开
