基于遥感与深度学习技术的灾后基础设施快速损伤表征——一种分层方法

交通网络和桥梁等关键基础设施在战争中常被系统性攻击，并在大规模自然灾害中受损，因为它对于实现人员和货物的连通与运输至关重要，从而支撑着国家和国际经济增长。交通资产的大规模破坏，加上自然和人为灾害后可达性极低或完全丧失，阻碍了我们实现快速恢复与适应。因此，系统性可操作性急剧下降，导致韧性水平低下。故而，需要对其状况进行快速评估，以便为恢复优先级决策提供信息。应对这一挑战的一个解决方案是使用能够实现远距离观测的技术。然而，目前尚不存在在多个尺度上（即区域尺度（如网络）、资产尺度（如桥梁）和结构尺度（如路面））自动表征损伤的方法。我们提出了一种基于集成的、多尺度分层方法的方法论，以填补这一能力空白。在此过程中，我们展示了如何通过适用性数字技术实现自动损伤表征。随后，该方法论被应用于乌克兰的一个案例研究并得到验证，该案例包括 17 座因人为定向干预而受损的桥梁。从区域尺度到构件尺度，我们部署技术，利用 Sentinel-1 SAR 图像、众包信息和高分辨率图像进行深度学习，以促进自动损伤检测与表征。首次将干涉相干性差异和图像语义分割部署于分层多尺度方法中，以提高不同尺度下损伤表征的可靠性。