通过卫星遥感和机器学习方法来衡量海啸受灾地区的城市空间恢复和扩张情况

《International Journal of Disaster Risk Reduction》：Measuring spatial urban recovery and expansion in tsunami-affected areas by satellite remote sensing and machine learning approach

　　三浦宏之 | 村尾修 | 斋藤亮 | Mufidatun Khoiriyah | Muzailin Affan
日本广岛大学高等科学与工程学院，东广岛

**摘要**
本研究提出了一种通过整合免费获取的中等分辨率卫星数据与机器学习来监测城市长期恢复和扩张的新方法。虽然传统的恢复评估通常依赖于区域性和时效性较差的数据，但我们的研究表明，使用连续二十年的Landsat影像可以评估建筑动态的变化。我们将这种方法应用于2004年印度洋海啸重创的印度尼西亚班达亚齐地区。通过利用高分辨率影像（2004年、2007年和2024年）中的建筑数量数据，我们开发了一个随机森林回归模型。该模型具有较高的估算精度（决定系数R2为0.79），与视觉分析和实地调查结果高度吻合。我们的分析揭示了该地区恢复速度的区域差异以及未受灾区和受灾区的显著扩张情况。这些发现为灾害风险降低和城市规划提供了可扩展的方法，为政策制定者提供了监测重建进展和管理易受灾地区未来城市增长的重要工具。

**1. 引言**
大规模自然灾害会对建筑物和人类居住区造成毁灭性破坏。在这样的事件之后，“重建得更好”框架[1][2][3]强调将韧性融入恢复过程。评估这些努力的一个关键工具是恢复曲线，它量化了重建过程的时间轨迹[4][5][6][7]。建筑重建是恢复的重要指标，因为它直接反映了生计的恢复和城市功能的重新建立，为社区恢复正常提供了具体的衡量标准。
recent自然灾害的广泛研究表明，城市恢复是一个非线性和漫长的过程[8][9][10]。在2004年印度洋海啸的情况下，早期研究记录了国际援助带来的显著进展[11][12]。例如，在最初的五年内，印度尼西亚政府和数百个全球非政府组织协助重建了超过14万栋房屋和关键公共基础设施[13]。然而，涵盖数十年过程的长期研究仍然不足。这种缺乏纵向数据的情况限制了我们对这些早期援助干预如何最终转化为长期城市扩张和新常态的理解。
为了将恢复理论付诸实践，实证和持续监测至关重要[14]；在这里，卫星遥感提供了一种强大的手段，可以捕捉传统调查常忽略的大规模空间动态[15][16][17][18][19][20][21]。虽然高分辨率影像可以识别单个建筑物，但其十年尺度上的应用往往受到高昂采购成本和大量人工劳动的阻碍。相反，像Landsat系列这样的免费可用中等分辨率影像提供了无与伦比的时间序列档案，但缺乏直接识别建筑物级别的分辨率。有效整合这些数据源以重建长期、空间明确的建筑动态的研究缺口仍然存在，而高分辨率数据集的成本往往太高。

为解决这一缺口，本研究旨在：
- 通过将时间序列Landsat影像与机器学习（随机森林）模型相结合，估计长期建筑重建及其后续城市扩张情况；
- 验证该模型的性能，与视觉分析结果和之前的实地调查结果进行对比（具体针对印度尼西亚班达亚齐地区2004-2024年的时期）；
- 分析恢复和扩张的空间异质性，以明确受海啸影响区域与未受影响区域的特征差异。
本研究通过提供一种可扩展的低成本方法，填补了局部尺度建筑识别与区域尺度长期监测之间的空白，有助于灾后恢复研究。我们的方法利用自动化机器学习工作流程重建了二十年的城市动态，为灾易地区的灾害风险降低和城市规划提供了有力工具。

**2. 研究区域**
本研究重点关注印度尼西亚班达亚齐地区，该地区在2004年12月26日由马六甲岛9.1级地震引发的海啸中遭到严重破坏。在受灾区域内，超过11万人丧生，约70万人流离失所[23]。超过12.7万栋房屋和建筑物被完全摧毁，占受灾区域的约14%[23]。图1显示了本研究的目标区域班达亚齐的位置以及海啸造成的建筑物损坏分布[24]。距海岸线约4公里范围内的区域被淹没，许多建筑物在距离海岸线2-3公里范围内倒塌或被冲走。此后，本文将2004年班达亚齐的海啸称为2004年亚齐海啸。

**3. 方法论**
**3.1. 研究流程**
图2展示了本研究的研究流程，包括三个步骤：（i）从高分辨率卫星图像中对建筑物数量进行视觉分析，（ii）从Landsat图像计算光谱指数，（iii）使用随机森林模型估计建筑物数量。首先，从2004年（海啸前）、2007年和2024年的高分辨率卫星图像中提取建筑物位置，并通过视觉分析确定建筑物数量分布。本研究中使用的图像详见表1。2004年和2007年使用的QuickBird-2图像空间分辨率为0.5米，2024年使用的WorldView-3图像空间分辨率为0.5米。目标区域内有多种类型的建筑物，如独栋住宅、公寓和商业建筑。本研究将建筑物数量作为城市恢复和发展的指标，因此没有对建筑物类型进行分类。为了分析建筑物数量分布，创建了250米的网格，并汇总了每个网格中的建筑物数量。目标区域内典型独栋住宅的尺寸约为5-20米。选择250米的网格尺寸是为了在统计处理时考虑到建筑物的实际大小。250米的网格对应7.5角秒，已被作为标准网格单位[34]。

**表1. 本研究分析的高分辨率卫星图像列表**

| 卫星 | 时间 | 观测日期（YYYY/MM/DD） | 空间分辨率 |
| ---- | ------ | ---------- | ---------- |
| QuickBird-2 | 2004/6/23 | 0.5米 | |
| QuickBird-2 | 2007/7/30 | 0.5米 | |
| WorldView-3 | 2024/5/17 | 0.5米 | |

作为中等分辨率图像，通过USGS数据库搜索选择了低云量（云量少于30%）的目标区域图像[35]。总共分析了2000年至2024年的34幅图像。Landsat图像的空间分辨率为30米：2000年至2011年使用Landsat-5 TM图像，2013年至2021年使用Landsat-8 OLI图像，2023年至2024年使用Landsat-9 OLI-2图像。从每幅图像中提取了三个指数：归一化植被指数（NDVI），表示像素中的植被活动；归一化建筑物指数（NDBI），表示建筑物的存在[36]；增强型归一化不透水面指数（ENDISI），表示地表不透水面的强度[37]。这些指数随后被汇总到250米网格中。

**表2. 本研究分析的Landsat图像列表**

为了研究NDVI、NDBI和ENDISI与高分辨率卫星图像中识别出的建筑物数量之间的关系，应用了机器学习技术中的随机森林[38][39]来估计图像指数中的建筑物数量。这种方法用于估算每个年龄段的建筑物数量分布。为了降低每个图像估计结果的不确定性并消除云层和阴影的影响，结合了多幅图像的结果，并计算了各年龄段的建筑物数量中位数，如表2所示。通过这一过程，我们了解了各个时间段内建筑物数量的变化，包括因亚齐海啸导致的减少以及因重建和城市扩张导致的增加。

**3.2. 从高分辨率卫星图像中对建筑物的视觉分析**
建筑物数量是通过基于高分辨率图像的视觉分析来确定的，即通过点标出单个建筑物的位置。不仅识别了独栋住宅，还独立地将公寓和商业/工业建筑视为一栋建筑物。在某些情况下，当小型商业和工业建筑物紧密相邻时，难以划定建筑物的边界。在这种情况下，通过分析建筑物屋顶的纹理和颜色来单独识别每栋建筑物。这种不清晰的建筑物屋顶边界会导致视觉分析结果的不确定性。第4.1节将通过与实地调查结果比较来验证建筑物数量分析的有效性。图3展示了三幅图像分析结果的示例，可以看出2007年的建筑物分布与2004年海啸前的情况有显著变化。2024年的图像显示建筑物数量进一步增加。

**3.3. 从Landsat图像计算指数**
为了从Landsat图像估计建筑物数量，根据表3中的光谱带图像计算了光谱指数。据Javed等人[40]所述，遥感领域提出了许多城市光谱指数，这些指数用于提取包括建筑物和道路在内的不透水面。通常，使用多种指数在机器学习和回归分析中更为有效。然而，考虑到使用高度相关的指数可能会导致多重共线性问题，且计算过多指数非常耗时，因此认为使用最少必要的指数数量是有效的。在本研究中，我们选择了最常见的几个指数：NDVI，适用于区分植被区域和非植被区域；NDBI，代表城市区域；以及ENDISI，这是一个相对较新的指数，被认为适合用于提取包括建筑物在内的不透水面[40]。表3. 本研究中分析的Landsat系列的光谱波段。括号中的数字表示每个波段图像所覆盖的波长（微米）。

光谱波段（波长（微米）卫星Landsat-5 TMLandsat-8 OLI-Landsat-9 OLI-2年份2000 - 20112013 - 20212023 - 2024
波段1蓝光（0.45 - 0.52）海岸（0.43 - 0.45）海岸（0.43 - 0.45）
波段2绿光（0.52 - 0.60）蓝光（0.45 - 0.51）蓝光（0.45 - 0.51）
波段3红光（0.63 - 0.69）绿光（0.53 - 0.59）绿光（0.53 - 0.59）
波段4近红外（0.76 - 0.90）红光（0.64 - 0.67）红光（0.64 - 0.67）
波段5SWIR 1（1.55 - 1.75）近红外（0.85 - 0.88）近红外（0.85 - 0.88）
波段6热红外（10.40 - 12.50）SWIR 1（1.57 - 1.65）SWIR 1（1.57 - 1.65）
波段7SWIR 2（2.08 - 2.35）SWIR 2（2.11 - 2.29）SWIR 2（2.11 - 2.29）
波段8全色（0.50 - 0.68）全色（0.50 - 0.68）
波段9卷云（1.36 - 1.38）卷云（1.36 - 1.38）
*SWIR：短波红外

NDVI代表每个像素中的植被活动，植被越丰富的像素其NDVI值越高。NDVI是使用红光波段和近红外（NIR）波段图像通过以下公式计算得出的：(1)公式中的波段表示每个波段的像素编号，下标Red和NIR分别代表红光波段和近红外波段。NDVI的值介于-1到+1之间。由于城市化区域有大量的建筑物，因此假设NDVI与建筑物数量呈负相关。

NDBI是由Zha等人[36]提出的，它是根据Landsat图像中的短波红外（SWIR）波段和NIR波段使用以下公式计算得出的：(2)SWIR1对应于波长大约为1.6至1.7微米的短波红外波段，如表3所示。NDBI的值也介于-1到+1之间，较大的值表示更多的建筑区域。换句话说，NDBI值越大，该区域越城市化，建筑物也越多。

近年来，在城市遥感领域提出了多种指数，以更准确地评估包括建筑物在内的不透水面。根据Javed等人[40]的综述，Cheng等人[37]提出的ENDISI被认为可以准确评估不透水面。ENDISI可以通过以下公式计算得出：(3)(4)(5)本计算中使用的光谱波段图像在表3中有说明。与NDVI和NDBI相比，ENDISI的计算方法稍微复杂一些，并且需要大量的波段图像。然而，我们在本研究中使用了ENDISI，因为它可以从Landsat图像计算得出，并且预计与建筑区域有很高的相关性。较大的ENDISI值表示更多的人造覆盖物，也预计与建筑物数量有更高的相关性。

例如，图5显示了从2004年12月21日观察到的Landsat图像计算NDVI、NDBI和ENDISI的结果，这一天正值亚齐海啸之前。在班达亚齐市中心建筑物众多的地区，NDVI的值倾向于较低，而NDBI和ENDISI的值倾向于较高。

### 3.4. 使用随机森林从Landsat图像估算建筑物数量
为了从Landsat图像估算建筑物数量，我们首先将每个Landsat图像计算出的指数聚合到250米网格中，并确定每个网格内指数的中位数。图6显示了从2004年12月21日（表2中的第3张图像）、2007年4月18日（第10张图像）和2024年2月4日（第34张图像）观察到的Landsat图像计算出的每个指数与从高分辨率卫星图像识别出的建筑物数量之间的关系。正如预期的那样，建筑物数量与NDVI呈负相关，而与NDBI和ENDISI呈正相关。图中还显示了与每个指数的相关系数。特别是，ENDISI的相关系数高于其他指数。

### 4. 结果与讨论
#### 4.1. 20年间建筑物分布的长期变化
图8显示了使用上述方法估算的每个时期组的建筑物分布。如图所示，在2000-2004年期间，建筑物主要集中在班达亚齐的中心区域。2005年的数据显示，由于海啸破坏，淹没区域的建筑物数量显著减少。2006-2007年的数据显示，海啸淹没区内的建筑物数量增加，超过了灾难前的数量。2009-2013年的数据与往年相比没有显著变化，但2014-2016年的数据显示建筑物数量再次增加，2017-2019年和2020-2024年的数据表明建筑物数量持续增加。

#### 4.2. 区域恢复和城市扩张
建筑物数量的变化是通过比较每个时期组内建筑物分布的差异计算得出的。图9显示了班达亚齐总建筑物数量随时间的变化情况。为了便于比较，该图还展示了Syamsidik等人[22]在2017年和2021年调查的建筑物数量以及本研究中从高分辨率卫星图像解读的建筑物数量。右轴还显示了班达亚齐人口的变化[42],[43],[44],[45],[46],[47],[48],[49],[50]。首先，从2024年高分辨率卫星图像识别出的建筑物数量与Syamsidik等人[22]在2017年和2021年进行的调查结果基本一致。如前所述，虽然从高分辨率卫星图像解读建筑物数量存在不确定性，但结果证实了识别出的建筑物数量是合理的。

#### 4.3. 长期变化的影响因素
与Syamsidik等人[22]的调查结果相比，本研究中随机森林模型的估计值更为准确。使用这些指数，我们构建了一个基于机器学习技术的随机森林模型来估算建筑物数量。解释变量为250米网格分辨率下的NDVI、NDBI和ENDISI，目标变量为网格内的建筑物数量。我们使用了Scikit-learn的RandomForestRegressor[41]并利用所有数据开发了该模型。首先，数据集被随机分为70%的训练数据和30%的验证数据。为了探索最佳参数，对Random Forest中具有重要影响的max_depth和n_estimators进行了网格搜索，分别将其从3变化到100，从10变化到200。网格搜索进行了十次，通过改变训练数据和验证数据的组合进行。结果显示，当这些参数分别设置为11和21时，验证数据的估计精度最高，因此采用了这些值。对于其他参数，没有观察到显著差异，使用了Scikit-learn的默认值。使用这些参数，我们估算了整个数据集中的建筑物数量。

#### 4.4. 结果与讨论
- **20年间建筑物分布的长期变化**：图8显示了使用上述方法估算的每个时期组的建筑物分布。从2000-2004年的分布可以看出，在亚齐海啸之前，建筑物主要集中在班达亚齐的中心区域。2005年的数据显示，由于海啸造成的破坏，淹没区域的建筑物数量显著减少。2006-2007年的数据显示，海啸淹没区内外建筑物数量增加，超过了灾害前的数量。2009-2013年的数据与前几年相比没有显著变化，但2014-2016年的数据显示建筑物数量再次增加，2017-2019年和2020-2024年的数据表明建筑物数量持续增加。

- **区域恢复和城市扩张**：图9显示了班达亚齐总建筑物数量随时间的变化情况。为了便于比较，该图还展示了Syamsidik等人[22]在2017年和2021年调查的建筑物数量以及本研究中从高分辨率卫星图像解读的建筑物数量。右轴还显示了班达亚齐人口的变化[42],[43],[44],[45],[46],[47],[48],[49],[50]。首先，从2024年高分辨率卫星图像识别出的建筑物数量与Syamsidik等人[22]在2017年和2021年的调查结果基本一致。如前所述，尽管从高分辨率卫星图像解读建筑物数量存在不确定性，但结果证实了识别出的建筑物数量是合理的。如图11(a)所示，海啸淹没区域的建筑数量显著减少。此外，如图(b)所示，淹没区域之后的重建工作进展迅速，建筑数量有所增加。此后，特别是在淹没区域边界附近，建筑数量继续增加；从2020年左右开始，目标区域东北部的淹没区域内的建筑数量也开始增加。

图11. 不同时间段建筑数量变化的空间分布（a-f）。(g) 表示从2000年代到2020年代20年间建筑数量的变化。

如图11(g)所示，回顾过去20年的变化，整个区域（包括淹没区域内外）的建筑数量都有所增加。然而，正如前文所述，建筑数量的变化方式因地区而异。我们在图11(g)中用虚线框标出了A到D四个区域，并研究了每个区域的特征。

图12显示了A到D区域建筑数量的变化情况。纵轴上的数值代表每个区域内每个网格的平均建筑数量。A区域位于海啸淹没区内，受到严重破坏。因此，2005年建筑数量显著减少，随后迅速增加，并持续增长。由于破坏严重，该地区进行了快速的重建活动，可以归类为“快速重建”[2]区域，即为受灾民众快速重建住房。与海啸前的建筑数量（设为1.0）相比，2005年各区域的建筑数量减少到了0.65–0.8倍，2020年后增加到了2.0–2.6倍。

图12. 图11(g)所示各区域建筑数量的时间序列变化。纵轴表示每个网格内建筑数量的平均值。

B区域位于淹没区域边界，海啸造成的破坏相对较小。该区域在海啸前的建筑数量较少，海啸导致的建筑数量减少也相对较少，但此后建筑数量逐年增加。该地区靠近班达亚齐市中心，受海啸影响较小，因此被认为较为安全，许多建筑在海啸后得以重建。与海啸前的建筑数量相比，2005年建筑数量减少了0.86倍，2007年增加到1.5倍，2020年代进一步增加到3.5倍。

C区域位于海啸淹没区内，灾前主要是农田，建筑数量极少。海啸后建筑数量逐渐增加，2010年代末（海啸发生15年后），建筑数量迅速增长。图13展示了2004年、2007年和2024年该地区的高分辨率卫星图像放大视图。2004年和2007年的图像显示该地区原本建筑很少，以池塘和植被为主。相比之下，2024年的图像显示这些池塘已被填平，建起了大量住宅建筑。这一趋势与Landsat图像分析得出的估计结果一致。如图12所示，与海啸前的建筑数量相比，2005年建筑数量增加了近1.0倍，2010年左右增加了1.85倍，到2020年代增加了约4.3倍。

图13. 2004年亚齐海啸影响下的C区域建筑分布变化。

多个因素导致如此高风险海啸区域的建筑数量增加。从社会经济角度来看，低收入人群往往被迫居住在这些地区，因为他们无法负担更安全的內陆地区的住房[53]。此外，许多居民由于当地渔业和水产养殖社区的持续存在，以及这些地区对当地社区的历史和文化重要性，选择留在淹没区域[15],[20]。一些居民还认为海啸不会再次袭击同一地区，或将此类灾害视为天意[20]。

除了这些社会背景外，学术研究表明，能够引发类似亚齐海啸的地震复发间隔约为1000年[22]。基于这些因素，人们认为在海啸风险与居住便利性之间的权衡——加上对当地社区的强烈依恋——导致了人们对居住在这些地区的偏好。因此，大量居民重新定居于此，导致建筑数量增加。

D区域位于班达亚齐郊区，没有受到海啸影响。与B区域类似，这里被认为是相对安全的低风险区域，自灾难发生以来建筑数量逐渐增加。与海啸前的建筑数量相比，2005年建筑数量增加了约1.0倍，2020年代增加了约3.0倍。

这些结果表明，在遭受严重海啸破坏后，班达亚齐的建筑数量在大约三年内恢复到了灾前水平。此后，不仅未受海啸影响的郊区地区，就连以前用作农田的海啸淹没区域的城市面积也在增加。自2010年代末以来，城市扩张尤为明显。

这些结果显示，在遭受海啸破坏后，班达亚齐的建筑数量在大约三年内恢复到了灾前水平。此后，不仅未受海啸影响的郊区地区，就连原先用于农田的海啸淹没区域的城市面积也在增加。自2010年代末以来，城市扩张尤为活跃。通过利用不断获取的卫星图像（如Landsat图像）和机器学习技术，可以估算出城市化的具体指标（如建筑数量）。这种方法使得能够测量和监测城市地区的灾害影响、恢复和重建状况以及随后的城市扩张。

5. 结论

本研究提出了一种通过分析建筑分布的时间变化来定量评估灾后恢复和城市扩张的方法。研究以印度尼西亚班达亚齐为例，该地区在2004年印度洋海啸中遭受了严重破坏，使用了从灾前到2024年的卫星图像。首先，通过2004年、2007年和2024年高分辨率卫星图像中的单个建筑进行视觉识别来确定建筑分布。随后，从Landsat图像（2000-2024年）计算了城市化指标（NDVI、NDBI和ENDISI）。然后开发了一个基于随机森林的机器学习模型，通过学习这些指标与实际观测到的建筑数量之间的关系来估算建筑数量。

估算的建筑数量与视觉解释结果和先前的研究结果大体一致。时间分析显示出一个明显的恢复轨迹：海啸导致建筑数量急剧下降，随后是快速重建，再之后是大约灾后15年开始的城市扩张阶段。具体来说，海啸前建筑数量约为40,000座，2005年降至30,000座，2007年激增至60,000座，2020年代达到约80,000座。值得注意的是，这一增长速度超过了人口增长速度。建筑与人口的比例从2004年的每建筑7.5人下降到近年来的约2.5人，表明越来越多的人居住在单户家庭中。

区域分析进一步揭示了不同的恢复模式。尽管初期建筑密度较高，市中心地区仍遭受了严重破坏，但在两到三年内迅速恢复了灾前建筑水平。这些优先恢复城市功能的地区可以归类为“快速重建”区域。相比之下，淹没区边缘地区在海啸前的建筑密度较低，但从灾后至今建筑数量持续稳定增长。此外，灾前主要以农业用地为主的淹没地区在最初十年内恢复缓慢；然而，这些地区最近经历了快速的住宅开发。这一趋势可能是由于在居住便利性和土地可用性之间权衡的结果。这些趋势在之前的研究中有部分提及[16],[22]，但本研究通过卫星图像和机器学习的综合分析明确了它们的空间分布和定量变化。

本研究的方法学价值在于使用Landsat图像和随机森林模型开发了低成本、高频率的监测框架。这种方法为政策制定者和城市规划者提供了实用工具，以监测长期韧性并评估灾害风险降低策略的有效性。通过量化“快速重建”地区与恢复延迟地区的时空动态，当局可以更好地分配资源，并制定平衡居住便利性和海啸风险管理的数据驱动型城市规划。

尽管这种方法具有优势，但也存在某些局限性。首先，使用中等分辨率的Landsat图像和光谱指数（NDVI、NDBI和ENDISI）可能在指标与实际建筑数量之间的关系引入不确定性，尤其是在高度密集的城市地区。其次，当前模型没有区分建筑类型（例如住宅、商业或钢筋混凝土结构与木结构），这对于详细的脆弱性评估至关重要。

如果全球其他易受灾地区也有卫星档案和用于验证的高分辨率图像子集，该方法有望适用于其他地区。未来的研究应侧重于整合更高分辨率的数据和多源传感器，以改进建筑类型分类并解决已发现的验证空白。这样的进步将实现更健壮和通用的城市恢复和扩张监测系统，以应对不断增长的全球灾害风险。