基于VIIRS/DNB夜间灯光数据对土耳其7.8级地震的影响进行快速评估

基于VIIRS/DNB夜间灯光数据对土耳其7.8级地震的影响进行快速评估

殷 ,富1 ,袁立明2 ,徐 ,飞2

(1.苏州工业园区测绘地理信息有限公司  江苏苏州  215021；

2.浙江省测绘科学技术研究院浙江杭州 310012)

摘要：地震具有强大的破坏力，在地震后快速了解震区内各区域的受损情况对开展救援至关重要。为了快速识别地震对周边人口聚集区破坏的情况，本文基于具有高度可比性VIIRS/DNB的夜间灯光数据，对地震前后VNP46A2夜间灯光数据之间的差异识别各地区的受损情况，并计算夜间灯光总损失量。利用2023年土耳其7.8级地震对震区周围的主要城市进行分析，结果显示Samandag、Kirikhan和Antakya城市灯光损失比例最大，分别为91.6%、88.2和87.8；Antakya、Kahramanmaras和Gaziantep城市的总灯光损失值最大，分别下降了23147、12155和11079 nW/cm2/sr。在主要受损区域出现灯光下降的城市，受损区域的灯光损失平均占比为78.8%，表明夜间灯光数据能够较好的表示地震后灾区的受损强度与空间分布情况。

关键词：VIIRS/DNB；地震评估；土耳其地震；夜间灯光数据；VNP46A2

引言

地震是一种严重的自然灾害，破坏力和影响范围是难以预测的[1]。在地震发生后，高效地评估受灾地区的位置与损毁情况对灾后救援至关重要[2]。近年来，遥感技术常用于评估地震对受灾区造成的影响[3]。利用震后的遥感数据提供定量的空间分析，以帮助应对地震的影响[4]。

在遥感研究中，夜间灯光数据是重要的数据源，提供城市、乡村等区域的人口分布和经济活动等信息[5]。现阶段两个常用的夜间灯光数据源，分别是国防气象卫星计划的业务线扫描系统(DMSP-OLS) 与 Suomi-NPP卫星上搭载的可见光近红外成像辐射测量仪(NPP-VIIRS)[6]。VIIRS/DNB是在DMSP-OLS的基础上进行改进，提高了影像分辨率并解决图像边缘失真的问题[7]。震后地物会被损坏，导致夜间灯光信息消失，因此，可通过卫星遥感NTL影像识别被地震破坏的区域[8]。通常利用夜间灯光数据对震后的城市和乡村进行评估，确定地震的影响范围[9]。Shin 等利用地震前后 DMSP-OLS 夜光图像，推测出地震受灾地区[10]。Fan等通过分析地震周围区域VIIRS/DNB数据，提出近恒定对比度的方法计算地震前后标准差，检测出地震面积[8]。综上所述，夜间灯光数据虽能较好地检测出地震损害情况，但缺乏一种高效且准确地评估震区各城市受损情况的方法。

本文利用VIIRS/DNB夜间灯光产品VNP46A2数据，并结合土地利用数据和地震灾后形变数据分析地震灾后的人口居住区域的受损面积和受损强度。提出了基于VIIRS/DNB夜间灯光数据对土耳其7.8级地震的影响进行快速评估地方法，为应对地震和灾后重建提供更有效的数据支持。

1 研究区与数据

1.1 实验研究区

2023年2月6日土耳其东南部发生了7.8级地震，该地区位于安纳托利亚板块与阿拉伯板块的交界处，该地区发生的4.5级以上地震分布情况图1所示，数据获取于https://earthquake.usgs.gov/。

图1 2023年2月6日土耳其地震的研究区示意图

1.2数据源

每日夜间灯光数据是VIIRS DNB生成的多种因素校正的逐日VNP46A2 产品[11]，选取2023年2月2日的影像检测震前的夜间灯光分布，选取2023年2月7日至8日影像的平均值表示震后夜间灯光分布。VNP46A3是逐月生成的月度合成夜间灯光辐射数据[12]，本文通过该数据集识别地面的人工光源区域。DPM(Damage Proxy Map)影像对建筑物的损坏最敏感,本文结合LULC（Land use/land cover）数据2022年建筑的区域，采用视觉评价来评价VNP46A3数据对人工光源区域划分精度，结合DPM影像提取建筑区的损毁区域，获取地震对建筑物造成的损毁情况。

2 方法和数据预处理

本文主要流程如图2所示。

图2 总流程图

2.1 夜间灯光总强度计算

TNI(Total Nighttime Intensity)是区域灯光辐亮度值的总和。经济越发达的区域灯光总强度越强，若遭受灾害，该区域的灯光总强度会显著下降。可利用区域灯光总强度的变化情况来评价损程度，公式为：

                              (1)

为区域内的栅格数量；为每个图像像元的辐射亮度值。

2.2 地震影响强度评估方法

根据Cole等[13]的方法，灾后NTL辐射总量与灾前相同NTL辐射总量的比值为PNL（Percent of Normal Light）：

(2)

是地震前影像像元辐射亮度值，是地震后影像像元辐射亮度值。PNL<1为震前光线更多，PNL>1为震前光照减少，PNL=1为无变化，0.81.2为受灾地区。当

值很小可能会导致PNL出现极值，通过划分人工光源区域与无灯光背景区域来提高鲁棒性。

2.3 提取人工光源区域

通过背景区域与灯光区域辐亮度概率变化特征进行区域划分[14]。图3 (a)背景区域辐亮度呈高斯分布, 灯光的概率密度随辐射亮度增加而减小。图3 (b)中相邻区间概率变化绝对值较大，受灯光影响的相邻区间概率变化绝对值较小。将辐射亮度值大于1.5nW/cm2/sr的像元划分为人工光源区域。

(a)                                                 (b)

图3 建成区选择图

3结果和精度评价

3.1夜间等的空间分析

图4(a)为2023年2月2日震前VNP46A2夜间灯光影像，图4(b)为2023年2月7日和2月8日震后VNP46A2夜间灯光平均值影像。灯光损失主要发生在黄色方框Ⅰ和Ⅱ，消失量大于90%，受灾较严重。图4(c)分布着大量农田和建筑，造成的损失较严重。图4(d)为受灾区域空间分布的PNL图，PNL值越大则受损越严重，该图在地震带PNL>2，东西两侧城市PNL值较低，受损较弱。

图4 地震前后的灯光分布以及受损情况示意图

3.2各城市灯光下降量分析

震区周围12个城市震前与震后TNI变化值如表1所示。TNI下降量最多的是Samandag市，损失91.6%的灯光。Kirikhan、Antakya和Islahiye，TNI下降量均在70%以上，均受损较严重。在Duzici和Aleppo市出现灯光增长，是因及时获得救援，夜间救援应急灯光的增加使得这两个城市TNI值增加。

表1 各城市灯光损失比例表

3.3结合DPM数据验证夜间灯光数据的指示性能

图5(c)、(d)与(f)城市PNL值较大，建筑损毁面积大；图5(d)、(e)与(g)中城市部分区域损毁，严重受损区域PNL值较大，轻微或无受损区域PNL较小。表明夜间灯光数据能较好地反映震区受损的空间分布。

图5 各城市DPM图与夜间灯光数据得到的PNL的叠加分析图

     图5中橙色区域为DPM图损毁区域。图5(b-g)分别是Osmaniye、Antakya、Samandag、Islahiye、Kirikhan和Kahramanmaras城市影像，左为该城市bing地图与DPM损毁区域叠加图，右为DPM损毁区域与PNL叠加图。

由表2可知，城市灯光辐亮度损失量最大的3个城市是Antakya、Kahramanmaras和Gaziantep，分别下降了23147、12155和11079 nW/cm2/sr，这3个城市的损毁较严重。在Dortyol、Duzici和Aleppo灯光辐亮度损失较少的城市中，出现少量的灯光增长，这3个城市应获得有效救援。受损区域的灯光损失量占总损失量的最大比例为99%，最小比例为59%，表明灯光损失主要位于地震损毁的区域。

表2 各城市严重受损区域辐亮度损失值与总辐亮度损失值的占比表

由图6可知，相关系数R2为0.9858，拟合曲线的斜率为0.7272，则城市灯光的损失值能较好地体现该地区的受损情况，则分析夜间灯光卫星遥感数据能较好地反映出各城市地震后的受损情况。

图6 各城市辐亮度损失值与受损区域辐亮度损失值的散点图

本文对7.8级别地震影像进行实验分析，主要损毁区域在带状区域，而Gaziantep和Duzici等较为靠近的区域受到的影响较小。因此夜间灯光影像能较好地反映各区域受灾情况，有利于救灾力量的合理部署。

4 结论和讨论

本文利用土耳其Ms7.8级地震发生后两日的夜间灯光影像对地震后的夜间灯光影像进行了分析，Samandag、Kirikhan和Antakya这3个城市的灯光损失比例最高，Antakya、Kahramanmaras和Gaziantep这3个城市的灯光下降的总量最大；通过夜间灯光影像获取的PNL数据结合高分辨率的SAR影像生产的DPM数据，验证了夜间灯光计算的PNL值具有表示地震损毁区域的能力，表明夜间灯光数据能够表征地震受损区域的受损强度和空间分布特征，为地震救灾工作的决策提供数据支撑。

参考文献

[1] Zhao X, Hu K, Burns S F, et al. Classification and sudden departure mechanism of high-speed landslides caused by the 2008 Wenchuan earthquake[J]. Environmental Earth Sciences, 2019,78(5).

[2]Dell'Acqua F, Bignami C, Chini M, et al. Earthquake Damages Rapid Mapping by Satellite Remote Sensing Data: L'Aquila April 6th, 2009 Event[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011,4(4):935-943.

[3]Qiang L I, Dan G, Jingfa Z, et al. Application and trend analysis of remote sensing technology for earthquake emergency investigation[J]. Journal of Remote Sensing, 2022,26(10):1920-1934.

[4]Shujun Z, Gengqing Z, Chao Z, et al. Application of Modern Remote Sensing Technology in Earthquake Emergency Work[J]. Geomatics & Spatial Information Technology, 2022,45(10):117-120, 124.

[5]Elvidge C D, Zhizhin M, Keith D, et al. The VIIRS Day/Night Band: A Flicker Meter in Space?[J]. Remote Sensing, 2022,14(6):1316.

[6]Combs C L, Miller S D. A Review of the Far-Reaching Usage of Low-Light Nighttime Data[J]. Remote Sensing, 2023,15(3):623.

[7]Jin-Jin L I, Shi Q, Yu Z, et al. Performance assessments of VIIRS DNB on-orbit radiometric calibration accuracy and stability on SNPP and NOAA-20[J]. Journal of Infrared and Millimeter Waves, 2021,40(6):809-819.

[8]Fan X, Nie G, Deng Y, et al. Rapid detection of earthquake damage areas using VIIRS nearly constant contrast night-time light data[J]. International journal of remote sensing, 2019,40(5-6):2386-2409.

[9]吴翰, 汪明, 刘凯. 基于夜间灯光遥感数据的汶川地震重灾区恢复状态评估[J]. 自然灾害学报, 2022,31(2):66-76.

[10]Hashitera S, Kohiyama M, Maki N, et al. Use of DMSP-OLS images for early identification of impacted areas due to the 1999 Marmara earthquake disaster[C]//Proceedings of the 20th Asian Conference on Remote Sensing. 22 November, Hong Kong, 1999, 2: 1291-1296.

[11]Román M O, Wang Z, Sun Q, et al. NASA's Black Marble nighttime lights product suite[J]. Remote Sensing of Environment, 2018,210:113-143.

[12]Wang Z, Shrestha R M, Roman M O, et al. NASA’s Black Marble Multiangle Nighttime Lights Temporal Composites[J]. IEEE Geoscience and Remote Sensing Letters, 2022,19:1-5.

[13]Cole T, Wanik D, Molthan A, et al. Synergistic Use of Nighttime Satellite Data, Electric Utility Infrastructure, and Ambient Population to Improve Power Outage Detections in Urban Areas[J]. Remote Sensing, 2017,9(3):286.

[14]余越,胡秀清,闵敏等.NPP/VIIRS微光图像融合中国中东部城市灯光算法[J].激光与光电子学进展,2018,55(10):372-379.