摘要：房屋建筑分类是抗震设计和地震风险分析的基础,是巨灾保险的纽带环节,也是结构易损性准确、完备分析的前驱保障,快速获取建筑特性参数非常关键。基于影像数据获取结构特性相比传统手段具有显著优势,然而其准确性具有一定挑战性,从影像数据得到实时的、较准确的结构特性成为地震保险数据获取技术的关注焦点。本文采用深度学习方法开展从影像数据中提取面向地震保险需求的建筑特性数据,构建基于深度学习方法的建筑高度识别模型和基于机器视觉的建筑高度识别方法,运用基于Xception神经网络深度学习和机器视觉的模型,对北京地区的建筑高度进行模型测试,该方法可为地震保险分析提供重要的基础数据支持。

摘要：基于结构类型的建筑分类是抗震设计和地震灾害分布调查的基础,也是开展建筑结构地震易损性研究所依据的分类形式,而在社会管理中则更注重基于使用功能的建筑分类。上述2种建筑分类方法难以给出恰当的经济损失评估结果,因此在面向地震巨灾保险研究与应用时存在一些不足。首先,传统的建筑分类将建筑的使用功能与结构类型平行处理,未考虑建筑结构类型和建筑使用功能的耦合影响;其次,随着经济社会的发展,建筑结构形式和使用功能均不断地变化,需要发展适用性强大的非固定类型分类方法。本文针对地震巨灾保险业务中建筑分类这一核心问题,结合中国建筑形式和使用功能,从建筑结构分类出发,进一步考虑建筑的使用功能,形成了基于结构类型-使用功能多因素耦合的建筑分类模型,并以北京市典型区域为例,对所提出的建筑分类模型开展应用示范。同时,本文提出的建筑分类模型结合网络信息技术,可解决传统分类应用于具体目标区域时分类指标体系不具备可变性的问题,满足了地震巨灾保险的数据需求。