破坏性地震在极短的时间内就会造成大量的人员伤亡和经济损失^[1]。地震灾害发生后，快速评估灾区受灾情况、掌握灾情分布，对于地震应急救援、指挥决策、灾后重建具有重要意义。地震灾害快速评估是震后评估灾害规模的技术支撑，依赖于地震应急基础数据的完备性和可靠性。房屋是重要的承灾体，房屋数据的准确性是影响评估结果准确性的因素之一^[2]。

传统的房屋数据获取方法主要依靠房屋普查及统计数据，工作量大、耗时耗力，这些数据以行政区为统计单元，无法反映行政区内部的空间分布细节。房屋数据空间化是将房屋统计数据分配到行政单元内部一定尺度的规则格网上，使数据具有更高的空间分辨率^[3]，有效弥补地震灾害损失评估出现的偏差。建筑物会随时间而变化，而遥感技术可快速获取区域影像，从遥感影像中提取建筑物对房屋数据进行更新，对于提高地震灾害损失评估的准确性具有重要意义^[4]。

近年来学者对房屋数据空间化方法做了大量研究。文献[5]~[7]分别利用公里格网实地抽样调查数据、房屋普查数据、高分辨率遥感影像数据，构建了较高精度的房屋空间分布数据，实现了房屋数据空间化。

随着人工智能的发展，基于卷积神经网络（Convolutional Neural Networks， CNN）的方法已成为遥感影像建筑物提取的主流方法^[8]。这类方法具有强大的特征表达和学习能力，能充分利用图像信息。在CNN基础上发展了一系列网络模型，如AlexNet、VGGNet、ResNet等，缺点是参数多、计算复杂度高。全卷积神经网络（Fully Convolutional Networks，FCN）模型^[9]则是利用卷积层替换全连接层，实现像素级分割，有效提高分割效率、降低计算复杂度。FCN有很多变种，U-Net^[10]就是其中之一。U-Net是一个包含特征编码和解码两部分的对称结构网络，编码部分捕捉图像的高级语义特征，解码部分结合语义特征恢复图像的位置信息，两部分之间采用跳跃连接结构，该结构可以实现高级语义信息和低级细节信息的融合，弥补下采样造成的空间信息损失。U-Net网络改造性强、训练速度快，使用极少的训练数据即可训练一个高性能的网络模型，在图像分割领域有着广泛应用。后来的学者对U-Net进行了很多改进，Zhou等^[11]将跳跃连接用嵌套密集跳跃连接代替，提出了UNet++模型。吕少云等^[12]引入多尺度空洞空间金字 塔 池 化 模 块 ASPP （Atrous Spatial Pyramid Pooling），提出了残差空洞空间金字塔网络（Res_ASPP_UNet++）模型，有效提高了建筑物提取精度。

本文以湖北省秭归县为研究区域，基于高分辨率遥感影像，利用全卷积神经网络U-Net模型提取房屋信息，利用GIS技术将提取到的房屋矢量数据网格化，获得研究区房屋面积公里格网空间分布数据，提高基础数据的精度，所得结果能更好地满足地震灾害快速评估对高质量数据的需求，为地震灾害评估等工作提供更准确的数据支撑。

秭归县位于湖北省西部，长江西陵峡两岸，三峡大坝库首，地处我国地势第二级阶梯向第三级阶梯的过渡阶段。秭归县地势西南高、东北低，平均海拔千米以上，属长江三峡山地地貌。长江由西向东将县境分为南、北两部分，江北北高南低，江南南高北低。县境内山脉为大巴山、巫山余脉，多为南北走向，形成广大起伏的山岗丘陵和河谷地带。秭归县东段为黄陵背斜，西段为秭归向斜，县境内有仙女山断裂、九畹溪断裂等区域性大断裂，从地质地貌、形变观测资料及小震活动方面分析，两断裂现今仍有弱活动。

本文技术路线如图1所示，包括基于U-Net网络的建筑物识别与基于GIS的房屋面积数据空间化两个步骤。基于U-Net网络的建筑物识别包括建立房屋样本数据库、深度学习训练、房屋矢量数据提取三个步骤。

传统的房屋数据统计的多是各级行政区划内的房屋信息，而当地震发生时，灾区范围与行政区划范围并不一定是一致的，以行政区划内的房屋分布作为地震灾区的房屋数据来源，会导致地震灾害快速评估的结果受到影响，与实际损失存在偏差。因此将房屋数据进行空间网格化，将行政单元划分为一定尺度的规则格网，统计每个网格内的房屋面积等基础信息，从而得到精度更高的房屋数据。发生地震后，根据地震影响范围，统计该范围内的网格数据，可有效改善地震灾害评估的精度，缓解房屋数据与空间特征脱节的问题。

利用ArcGIS的Fishernet工具将秭归县行政区划图进行1km×1km网格化，生成1km×1km格网数据。根据提取的秭归县房屋矢量数据可以得到该县的房屋面积分布，在ArcGIS中将行政区划格网数据与房屋面积数据进行叠加分析，统计每个网格内的房屋面积，即可得到房屋面积公里格网数据。

本文利用U-Net神经网络模型提取高分辨率遥感影像上的房屋数据，通过GIS技术创建公里格网与房屋矢量数据叠加，获得秭归县的房屋面积公里格网数据，将其作为地震灾害快速评估的数据源，可解决数据收集成本高、效率低、更新难等问题，为地震应急救援决策提供参考依据。

当然，基于U-Net网络模型的房屋提取精度也有待提高，房屋样本数据库的容量有待扩充，正负样本的代表性有待加强，模型参数还需进一步优化，应尽可能减少误提取和漏提取的情况。此外，本文只获取了房屋的基底面积数据，而地震灾害快速评估的基础数据也包含房屋的建筑面积、结构类型等信息，但是诸如房屋层数、结构类型、造价、建造年代等与地震灾害损失快速评估密切相关的信息，是无法直接从遥感影像上获得的，所以要结合其他资料和方法，获取更多更全面的信息，从而完善地震应急基础数据库。