基于VHR SAR和地理空间数据的深度学习建筑损伤评估框架：以2023年土耳其地震为例
计算机视觉与模式识别
2025-06-30 v1 人工智能
摘要
灾后快速识别建筑损伤对于指导紧急响应和恢复至关重要。虽然光学卫星图像常用于灾后灾情勘测，但受云层覆盖或缺乏前期数据影像限制。为克服这些挑战，本文引入一种新型多模态深度学习框架，用于从意大利空间站局（ASI）COSMO SkyDog（CSK）星座获取的单日期非常高分辨率（VHR）合成孔径雷达（SAR）图像中检测建筑损伤，辅以地理空间数据。该方法将SAR图像块、OpenStreetMap（OSM）建筑轮廓线、数字地表模型（DSM）数据以及来自全球地震模型（GEM）的结构和暴露属性相结合，以提高检测精度和情境解释。不同于依赖前后期图像的现有方法，本模型仅使用后期数据即可实现快速部署。本文基于2023年土耳其地震获取的新型数据集进行验证，覆盖多个具有不同城市特征的地区。结果表明，融合地理空间特征显著提升了检测性能和对以前未见区域的适用性。通过将SAR图像与详细的易损性和暴露信息相结合，本方法在无需前期数据支持下，提供了可靠且快速的建筑损伤评估。此外，自动化且可扩展的数据生成过程确保了该框架在多样化灾后地区的适用性，凸显了其支持有效灾害管理和恢复工作的潜力。代码和数据将在论文接受后公开。
引用
@article{arxiv.2506.22338,
title = {A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake},
author = {Luigi Russo and Deodato Tapete and Silvia Liberata Ullo and Paolo Gamba},
journal= {arXiv preprint arXiv:2506.22338},
year = {2025}
}
备注
13 pages, 6 figures (plus 4 author photos), and 5 tables. Submitted to IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing