融合高分辨率光学与SAR卫星影像、地面运动和土壤数据的基于Transformer的多类地震后建筑评估

地震后及时准确的建筑损伤评估对于有效响应和恢复至关重要。传统的初步损伤评估（PDA）常依赖人肉核查，耗时且存在显著安全风险。为安全加快PDA进程，研究人员研究了卫星影像经启发式和机器学习方法的适用性。这些方法输出二元或更近期的多类损伤状态，规模为单个建筑或街区。然而，这些方法的当前性能限制了实际应用。为此，我们引入一个以元数据为特征的基于Transformer框架，结合高分辨率地震后卫星影像和建筑特定的元数据，以增强结构的地震性能。我们的模型在2023年2月6日发生的土耳其-叙利亚地震的建筑多类损伤识别方面实现了最先进的性能。具体而言，我们证明，纳入诸如地震强度指示器、土壤属性和SAR损伤代理图等元数据，不仅提升了模型的准确性和区分损伤类的能力，也增强了其在不同地区的可泛化性。此外，我们对特征重要性进行了详细的、按类别的分析，以理解模型在不同损伤程度下的决策方式。该分析揭示了单个元数据特征如何为每个损伤类的预测独特贡献。通过同时利用卫星影像和元数据，我们的框架方法 enables faster and more accurate damage assessments for precise, multiclass, building-level evaluations that can improve disaster response and accelerate recovery efforts for affected communities.