CN111160199B - 一种基于高分辨率遥感影像的公路灾害信息检测方法 - Google Patents

Abstract

本发明涉及一种基于高分辨率遥感影像的公路灾害信息检测方法，包括如下步骤：灾前和灾后的影像获取；对灾前光学遥感影像进行道路提取；将灾前光学遥感影像和灾后SAR遥感影像进行配准，达到精确配准的先验条件；道路范围映射和道路损毁区域提取。本发明克服了目前方法对近红外波段要求高、在灾后影像上道路提取精度无法保证的问题。解决了光学影像和SAR影像的辐射和几何特性存在明显差异，且受灾前后同名地物可能发生明显变化甚至消失，使得传统的基于单一测度的影像配准方法配准难度增加、可靠性不足的问题。

Description

一种基于高分辨率遥感影像的公路灾害信息检测方法

技术领域

本发明涉及一种公路灾害信息检测方法，尤其是一种基于高分辨率遥感影像的公路灾害信息检测方法。

背景技术

当高原山区发生地震后，地面交通基础设施(公路、铁路等)通常都会受到不同程度损坏，救援人员很难在第一时间从地面深入到灾区获取灾情信息。遥感技术具有成像快、覆盖范围广、数据信息量丰富和不受地面条件制约等优势，已成为现阶段获取震后灾情数据的最有效手段。公路是灾区抗震救援的黄金线和生命线，利用遥感技术获取地震灾区道路受损情况并进行次生灾害评估，可以为道路抢险保通、救援路线规划、灾后重建提供科学依据，具有重要的意义和价值。

目前，大多数公路灾害信息遥感检测方法都是从灾后遥感影像上直接提取道路信息，然后对损毁情况进行检测，具体方法又分为2种：

(1)直接在灾后遥感影像上提取道路损毁信息。例如，基于灾后光学遥感影像，通过面向对象的分类和变化检测方法提取损毁路段；基于灾后SAR遥感影像，利用阈值分割、形态学分析、小波变换等方法提取道路损毁信息等；

(2)在灾后遥感影像上提取出未损毁的道路分布情况，结合灾区范围内的先验GIS道路信息，采用叠置空间分析的方法，间接获得灾害道路损毁信息。

上述方法主要存在如下问题：

(1)无论采用上述哪种方法，都需要在灾后遥感影像上进行道路提取操作。然而，灾害(例如地震)发生后道路损毁严重，与完整道路相比，损毁道路在遥感影像上的辐射、几何、光谱特性发现了明显变化，提取难度较高，精度和准确性无法保证；

(2)大部分灾害(例如地震)都发生在人烟稀少的地区，该类地区的GIS道路信息更新频率较低，现势性和精度都无法保证，利用该类GIS数据辅助进行道路损毁检测的准确度和可靠性较低；

(3)现有的遥感影像道路提取方法在准确度上存在不确定性，通常仅利用了遥感影像的光谱信息，而忽略了许多其它有用的辅助信息。另外，目前的方法对近红外波段的需求较高，对于在没有近红外波段的RGB遥感影像上进行道路提取，还没有形成有效的方法；

随着近年来全球对地观测技术的飞速发展及我国“高分重大专项”的实施，灾害发生前的高质量光学影像较易获取。然而灾害发生后，灾区气象条件通常较为恶劣，阴雨、多云、多雾天气频发，此时具有全天时、全天候对地观测能力的合成孔径雷达(SAR)在灾后数据获取中具有明显优势。因此，综合利用灾前光学遥感影像和灾后SAR遥感影像，进行公路灾害信息检测与评估，可以充分发挥两种数据的各自优势，有效提高检测和评估的准确性。

发明内容

为了解决上述技术问题，本发明提出一种基于高分辨率遥感影像的公路灾害信息检测方法，该方法综合利用灾前光学遥感影像和灾后SAR遥感影像，进行公路灾害信息检测。

首先，在灾前光学遥感影像上，仅依靠RGB波段的道路损毁信息检测，克服目前方法对近红外波段要求高、在灾后影像上道路提取精度无法保证的问题。

然后，基于灾前光学遥感影像、灾后SAR遥感影像精确配准的先验条件，将从灾前光学遥感影像提取的道路范围映射至灾后SAR遥感影像上，从而将检测区域从整幅影像缩小至道路区域。之后在灾后SAR遥感影像上进行公路灾害信息检测。

本发明的技术方案具体如下：

一种基于高分辨率遥感影像的公路灾害信息检测方法，包括如下步骤：

步骤(1)、灾前和灾后的影像获取

获取受灾区域灾害发生前的高分辨率光学遥感影像、灾害发生后的高分辨率SAR遥感影像。

步骤(2)、对灾前光学遥感影像进行道路提取

利用面向对象的方法，对光学遥感影像进行多尺度分割，选择最优分割尺度，通过判断影像对象的同质性，合并同质影像对象，得到多尺度分割结果。基于多尺度分割的结果，结合机器学习和阈值分类模型，利用遥感影像RGB波段信息进行道路提取。

步骤(3)、将灾前光学遥感影像和灾后SAR遥感影像进行配准，达到精确配准的先验条件

由于光学影像和SAR影像的辐射和几何特性存在明显差异，且受灾前后同名地物可能发生明显变化甚至消失，大大增加了影像配准的难度。因此，为了实现光学影像和SAR影像的高可靠性配准，提出一种由粗至精的两阶段渐进式配准方法，综合运用遥感影像的点、线、面特征，提高光学/SAR影像的配准可靠性。

步骤(4)、道路范围映射

基于步骤(3)的精确配准的先验条件，将步骤(2)提取的道路范围映射至灾后SAR遥感影像上，将检测区域从整幅影像缩小至道路区域。

基于灾前光学遥感影像、灾后SAR遥感影像已经实现精确配准的先验条件，将从灾前光学遥感影像提取的道路范围映射至灾后SAR遥感影像上，将检测区域从整幅影像缩小至道路区域，解决了目前传统方法中使用GIS数据辅助进行道路损毁检测的准确度和可靠性较低的问题。接下来，在灾后SAR遥感影像上，采用小基线集方法，生成道路路域范围内的平均地形形变速率图和形变时间序列图，提取出现明显形变的道路损毁区域，进一步对不同等级道路损毁程度(严重、中度、轻度)进行逐段识别，统计损毁长度，结合道路等级、地震烈度，在研究区内定量评价道路损毁程度，从而实现公路灾害损毁信息检测。

步骤(5)、道路损毁区域提取

采用小基线集方法，生成道路路域范围内的平均地形形变速率图和形变时间序列图，提取出现明显形变的道路损毁区域，进一步对不同等级道路损毁程度进行逐段识别，统计损毁长度，结合道路等级、地震烈度，在研究区内计算损毁评估分值，进而定量评价道路损毁程度，即完成公路灾害损毁信息检测。

进一步地，步骤(2)中，选取光谱同质性和形状同质性因子作为分割因子，通过设置最优分割尺度，得到多尺度分割结果，分割尺度包括20、31、39。

进一步地，步骤(2)中，结合机器学习和阈值分类模型，利用遥感影像RGB波段信息进行道路提取的具体步骤如下：

首先，采用支持向量机监督分类算法，利用分类超平面模型将不同的样本分开，在新的空间中求出最优线性分类面，实现道路与其他地物的初步分类；然后，在初步分类结果的基础上，利用遥感影像RGB波段信息，构建分类特征，建立道路解译提取规则集，实现道路优化提取，最后利用形态学优化输出道路。

进一步地，步骤(2)中，分类特征包括光谱特征、纹理特征、几何特征和上下文特征；其中，光谱特征构建方式如下：

BSCC＝[Brightness]+B-G*2 (1)

式中，BSCC是构建的自定义波段光谱特征，仅使用RGB波段信息的光谱和亮度值组合；Brightness为亮度，B为蓝波段，G为绿波段；

纹理特征构建方式如下：仅使用RGB波段信息，采用灰度共生矩阵的同质度和对比度作为分类条件；

几何特征构建方式如下：采用形状特征的长宽比和密度属性加以识别，对道路进行提取和细化；

上下文特征构建方式如下：通过创建道路对象与相邻对象之间的位置关系、与相邻对象的公共边占总边长的比例，对道路分类结果进行优化。

进一步地，步骤(3)中，灾前光学遥感影像和灾后SAR遥感影像的配准包括如下步骤：

步骤(3.1)、初步配准

光学影像和SAR影像成像机理不同，辐射、几何特性差异显著，但一些明显的面状地物特征在不同的成像模式下均能保持稳定，因此可用于两者的初步配准。首先，分别从灾前光学遥感影像和灾后SAR遥感影像中分别提取面状地物特征。然后，通过特征描述符算子对面状地物特征进行描述，通过对描述符的相似度匹配实现特征配对，从而实现灾前光学遥感影像和灾后SAR影像的整体初步配准。

步骤(3.2)、精确配准

当初步配准结束后，影像中的大部分几何差异被消除，此时可使用点特征和线特征进行精确配准。首先，在整体初步配准的灾前光学遥感影像和灾后SAR影像上，提取实际特征点和特征线，并将特征线的交点作为虚拟特征点，使特征点在整幅影像中的分布更加均匀。然后，通过特征描述符算子对点特征、线特征进行描述，通过对描述符的相似度匹配分别实现点特征、线特征配对，从而两幅影像的精确配准。

进一步地，步骤(3.1)中，对灾前光学遥感影像进行处理，利用Itti视觉注意模型提取光学遥感影像的颜色、方向、亮度三个初级视觉特征，通过中央周边差机制形成三幅特征图，将三幅特征图进行合并生成显著图；

对灾后SAR遥感影像进行处理，利用TW-Itti视觉注意模型提取的颜色、方向、纹理三个初级视觉特征，利用迭代标准化将特征图合并为突出图，再将突出图合并为最终的SAR影像的显著图；

分别从灾前光学遥感影像显著图和灾后SAR遥感影像显著图上提取出面状地物特征；

对提取出的面状地物特征进行非下采样Contourlet变换，对变换后的方向子带系数进行多尺度描述，通过噪声在方向子带中的分布特点，识别属于噪声的面特征并将其剔除；

对于剔除噪声后的面特征，通过方向子带系数对其进行描述，同时结合面状区域固有特性，对面状地物特征进行匹配，从而实现灾前光学遥感影像和灾后SAR影像的整体初步配准；其中面状区域固有特性包括面积、周长、主次轴比。

进一步地，步骤(5)中，根据道路等级R_d、道路损毁长度L_d、公路沿线已发地质灾害点规模M、地震烈度I，基于量化的模糊综合评判法，建立损毁评估模型如下式所示：

R＝W×A (2)

式中：R为损毁评估分值；W为各评估因子构成的判断矩阵计算出的权重向量；A为由道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I构成的隶属度矩阵，具体如下：

其中：其中，

表示所检测的道路等级的最大值，

表示所检测的道路等级的最小值；a₁₁、a₁₂、a₁₃、a₁₄分别代表第一条道路的道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I；a_n1、a_n2、a_n3、a_n4分别代表第n条道路的道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I；a_(n+m)1、a_(n+m)2、a_(n+m)3、a_(n+m)4；分别代表最后一条道路的道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I；根据损毁评估分值得到道路损毁等级。

与现有技术相比，本发明的有益效果如下：

(1)本发明提出了一种在灾前光学遥感影像上，结合机器学习和阈值分类模型，仅依靠RGB波段的道路损毁信息检测方法，以克服目前方法对近红外波段要求高、在震后影像上道路提取精度无法保证的问题。

(2)本发明提出了一种光学/SAR遥感影像两阶段渐进式配准方法，通过充分运用遥感影像的点、线、面特征，解决了光学影像和SAR影像的辐射和几何特性存在明显差异，且灾害发生前后同名地物可能发生明显变化甚至消失，使得传统的基于单一测度的影像配准方法配准难度增加、可靠性不足的问题。然后，基于灾前光学遥感影像、灾后SAR遥感影像已经实现精确配准的先验条件，将从灾前光学遥感影像提取的道路范围映射至灾后SAR遥感影像上，从而将灾后SAR遥感影像的检测区域从整幅影像缩小至道路区域。

完成公路灾害损毁信息检测后，根据获得的SAR图像幅度信息，为后续灾区公路沿线进行次生灾害检测奠定基础，为实现公路灾害信息检测和潜在次生灾害评估的一体化做出铺垫。

附图说明

图1是本发明的方法的流程图。

具体实施方式

下面将结合本发明实施例，对本实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是对本发明一部分实例，而不是全部的实例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例涉及的基于高分辨率遥感影像的公路灾害信息检测方法，针对5条地震的道路进行分析，包括如下步骤：

步骤(1)、灾前和灾后的影像获取

获取受灾区域5条道路地震发生前的高分辨率光学遥感影像、地震发生后的高分辨率SAR遥感影像。

步骤(2)、对灾前光学遥感影像进行道路提取

首先利用面向对象的方法，对光学遥感影像进行多尺度分割。根据光学遥感影像的成像特点，选取光谱同质性和形状同质性因子作为分割因子，通过设置最优分割尺度，得到多尺度分割结果。根据具体应用对分割精度的要求，分割尺度可以选择20、31、39等。本实施例所用软件为eCognition。

基于多尺度分割的结果，通过结合机器学习和阈值分类的模型进行道路提取的方法。首先，采用支持向量机监督分类算法，利用分类超平面模型将不同的样本分开，在新的空间中求出最优线性分类面，实现道路与其他地物的初步分类。然后，在初步分类结果的基础上，利用遥感影像RGB波段信息，构建光谱特征、纹理特征、几何特征、上下文特征，建立道路解译提取规则集，实现道路优化提取。最后利用形态学优化输出道路。本实施例所用软件为eCognition。

各分类特征准则构建方式如下：

光谱特征：仅使用RGB波段信息的光谱和亮度值组合特征(BSCC)，可以将道路从包含植被、水体等地物的遥感影像中区分开来。针对高原山区道路，BSCC的计算公式如下：

BSCC＝[Brightness]+B-G*2 (1)

式中，BSCC是构建的自定义波段光谱特征，Brightness为亮度，B为蓝波段，G为绿波段。

纹理特征：仅使用RGB波段信息，采用灰度共生矩阵的同质度和对比度作为分类条件。

几何特征：采用形状特征的长宽比和密度属性加以识别，对道路进行提取和细化。

上下文特征：通过创建道路对象与相邻对象之间的位置关系、与相邻对象的公共边占总边长的比例，对道路分类结果进行优化。

步骤(3)、将灾前光学遥感影像和灾后SAR遥感影像进行配准，达到精确配准的先验条件

通过综合运用遥感影像点、线、面特征等两阶段渐进式配准，实现灾前光学遥感影像和灾后SAR遥感影像进行配准。

步骤(3.1)、初步配准

对灾前光学遥感影像进行处理，利用Itti视觉注意模型提取光学遥感影像的颜色、方向、亮度三个初级视觉特征，通过中央周边差机制形成三幅特征图，将三幅特征图进行合并生成显著图。

对灾后SAR遥感影像进行处理，利用TW-Itti视觉注意模型提取的颜色、方向、纹理三个初级视觉特征，利用迭代标准化将特征图合并为突出图，再将突出图合并为最终的SAR影像的显著图。

分别从灾前光学遥感影像显著图和灾后SAR遥感影像显著图上提取出面特征。

对提取出的面特征进行非下采样Contourlet变换(NSCT变换)，对变换后的方向子带系数进行多尺度描述，通过噪声在方向子带中的分布特点，识别属于噪声的面特征并将其剔除。接下来，对于剔除噪声后的面特征，通过方向子带系数对其进行描述，同时结合面状区域包含的面积、周长、主次轴比固有特性，对面特征进行匹配，从而实现灾前光学遥感影像和灾后SAR影像的整体初步配准。

本实施例分别从灾前光学遥感影像和灾后SAR遥感影像中分别提取面状地物特征；通过特征描述符算子对面状地物特征进行描述，通过对描述符的相似度匹配实现特征配对，根据特征配对数量拟合仿射变换模型或低阶多项式变换模型，实现初步配准。

步骤(3.2)、精确配准：

在整体初步配准的灾前光学遥感影像和灾后SAR影像上，基于相位一致性特征提取算子，提取实际特征点和特征线，并将特征线的交点作为虚拟特征点，使特征点在整幅影像中的分布更加均匀。通过联合谱图匹配法实现影像间的最终精确配准。

步骤(4)、道路范围映射

基于步骤(3)的灾前光学遥感影像、灾后SAR遥感影像已经实现精确配准的先验条件，将步骤(2)中从灾前光学遥感影像提取的道路范围映射至灾后SAR遥感影像上，将检测区域从整幅影像缩小至道路区域。

步骤(5)、道路损毁区域提取

在灾后SAR遥感影像上，采用小基线集方法，生成道路路域范围内的平均地形形变速率图和形变时间序列图，提取出现明显形变的道路损毁区域，之后根据道路等级(R_d)、道路损毁长度(L_d)、公路沿线已发地质灾害点规模(M)、地震烈度(I)，基于量化的模糊综合评判法，建立损毁评估模型，得出损毁等级，如下式所示：

R＝W×A (2)

式中：R为损毁评估分值；W为各评估因子构成的判断矩阵计算出的权重向量；A为由道路等级(R_d)、道路损毁长度(L_d)、已发地质灾害点规模(M)和地震烈度(I)构成的隶属度矩阵。

评价5个路段实测值如表1所示：

表1评价路段实测值

基于表1的路段实测值，本实施例的评价因子隶属度矩阵A如下：

其中，

表示所检测的道路等级的最大值，

表示所检测的道路等级的最小值。

最终，计算得出5段道路的损毁评估分值和对应的等级如表2所示：

表2路段损毁等级

损毁评估分值越高，损毁越严重。

其中，损毁评估分值对应的损毁等级如表3所示：

表3路段损毁等级

分值范围	损毁等级
		[0,0.25)	轻微
[0.25,0.4)	轻度
		[0.4,0.6)	中度
[0.6,0.8)	严重
		[0.8,1)	极严重

完成公路灾害损毁信息检测后，基于灾后SAR遥感影像，可以按照现有方法，获取各个灾害隐患点的变形量、规模、距目标道路的距离，然后结合地震烈度、道路等级，利用上述量化模糊综合评判法，确定出潜在隐患点的危险程度，实现公路沿线次生灾害评估。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：包括如下步骤：

步骤(1)、灾前和灾后的影像获取

获取受灾区域灾害发生前的高分辨率光学遥感影像、灾害发生后的高分辨率SAR遥感影像；

步骤(2)、对灾前光学遥感影像进行道路提取

采用面向对象方法，根据光学遥感影像的成像特点，选取光谱同质性和形状同质性因子作为分割因子，通过设置最优分割尺度，得到多尺度分割结果；基于多尺度分割的结果，结合机器学习和阈值分类模型，利用遥感影像RGB波段信息进行道路提取；

步骤(3)、将灾前光学遥感影像和灾后SAR遥感影像进行配准，达到精确配准的先验条件

步骤(4)、道路范围映射

基于步骤(3)的精确配准的先验条件，将步骤(2)提取的道路范围映射至灾后SAR遥感影像上，将检测区域从整幅影像缩小至道路区域；

步骤(5)、道路损毁区域提取

采用小基线集方法，生成道路路域范围内的平均地形形变速率图和形变时间序列图，提取出现明显形变的道路损毁区域，进一步对不同等级道路损毁程度进行逐段识别，统计损毁长度，结合道路等级、地震烈度，在研究区内计算损毁评估分值，进而定量评价道路损毁程度，即完成公路灾害损毁信息检测。

2.根据权利要求1所述的基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：步骤(2)中，分割尺度包括20、31、39。

3.根据权利要求1所述的基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：步骤(2)中，结合机器学习和阈值分类模型，利用遥感影像RGB波段信息进行道路提取的具体步骤如下：

首先，采用支持向量机监督分类算法，利用分类超平面模型将不同的样本分开，在新的空间中求出最优线性分类面，实现道路与其他地物的初步分类；然后，在初步分类结果的基础上，利用遥感影像RGB波段信息，构建分类特征，建立道路解译提取规则集，实现道路优化提取，最后利用形态学优化输出道路。

4.根据权利要求3所述的基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：步骤(2)中，分类特征包括光谱特征、纹理特征、几何特征和上下文特征；其中，光谱特征构建方式如下：

BSCC＝[Brightness]+B-G*2 (1)

式中，BSCC是构建的自定义波段光谱特征，仅使用RGB波段信息的光谱和亮度值组合；Brightness为亮度，B为蓝波段，G为绿波段；

纹理特征构建方式如下：仅使用RGB波段信息，采用灰度共生矩阵的同质度和对比度作为分类条件；

几何特征构建方式如下：采用形状特征的长宽比和密度属性加以识别，对道路进行提取和细化；

上下文特征构建方式如下：通过创建道路对象与相邻对象之间的位置关系、与相邻对象的公共边占总边长的比例，对道路分类结果进行优化。

5.根据权利要求1所述的基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：步骤(3)中，灾前光学遥感影像和灾后SAR遥感影像的配准包括如下步骤：

步骤(3.1)、初步配准

分别从灾前光学遥感影像和灾后SAR遥感影像中提取面状地物特征；通过特征描述符算子对面状地物特征进行描述，通过对描述符的相似度匹配实现特征配对；

步骤(3.2)、精确配准

在初步配准的灾前光学遥感影像和灾后SAR遥感影像上，提取实际特征点和特征线，并将特征线的交点作为虚拟特征点，使特征点在整幅影像中的分布更加均匀；然后，通过特征描述符算子对点特征、线特征进行描述，通过对描述符的相似度匹配分别实现点特征、线特征配对。

6.根据权利要求5所述的基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：步骤(3.1)中，对灾前光学遥感影像进行处理，利用Itti视觉注意模型提取光学遥感影像的颜色、方向、亮度三个初级视觉特征，通过中央周边差机制形成三幅特征图，将三幅特征图进行合并生成显著图；

对灾后SAR遥感影像进行处理，利用TW-Itti视觉注意模型提取的颜色、方向、纹理三个初级视觉特征，利用迭代标准化将特征图合并为突出图，再将突出图合并为最终的SAR影像的显著图；

分别从灾前光学遥感影像显著图和灾后SAR遥感影像显著图上提取出面状地物特征；

对提取出的面状地物特征进行非下采样Contourlet变换，对变换后的方向子带系数进行多尺度描述，通过噪声在方向子带中的分布特点，识别属于噪声的面特征并将其剔除；

对于剔除噪声后的面特征，通过方向子带系数对其进行描述，同时结合面状区域固有特性，对面状地物特征进行匹配，从而实现灾前光学遥感影像和灾后SAR影像的整体初步配准；其中面状区域固有特性包括面积、周长、主次轴比。

7.根据权利要求1所述的基于高分辨率遥感影像的公路灾害信息检测方法，其特征在于：步骤(5)中，根据道路等级R_d、道路损毁长度L_d、公路沿线已发地质灾害点规模M、地震烈度I，基于量化的模糊综合评判法，建立损毁评估模型如下式所示：

R＝W×A (2)

式中：R为损毁评估分值；W为各评估因子构成的判断矩阵计算出的权重向量；A为由道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I构成的隶属度矩阵，具体如下：

其中：其中，

表示所检测的道路等级的最大值，

表示所检测的道路等级的最小值；a₁₁、a₁₂、a₁₃、a₁₄分别代表第一条道路的道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I；a_n1、a_n2、a_n3、a_n4分别代表第n条道路的道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I；a_(n+m)1、a_(n+m)2、a_(n+m)3、a_(n+m)4；分别代表最后一条道路的道路等级R_d、道路损毁长度L_d、已发地质灾害点规模M和地震烈度I；根据损毁评估分值得到道路损毁等级。

Images