卫星至街道：灾后影响估计器

准确评估灾后损毁情况对于优先安排紧急响应至关重要，但当前实践依赖大量手动解读卫星图像，这种方法耗时、主观且难以在大范围灾害期间实现规模化。尽管近期的深度学习模型在语义分割和变化检测方面取得了进展，但许多模型仍难以捕捉细微的结构变化，处理高度不平衡数据集时效果往往不佳，其中 undamaged 建筑占主导。本论文引入 Satellite-to-Street：Disaster Impact Estimator，一个深度学习框架，通过分析灾前和灾后卫星图像，生成详细的像素级损毁图。该模型基于修改后的双输入 U-Net 架构构建，强化了两幅图像之间的特征融合，使其不仅能检测小范围局部变化，还能捕捉场景中更广泛的上下文模式。为解决损毁类别之间的不平衡问题，采用类别感知加权损失函数，有助于模型更好地识别主要建筑和被毁结构。采用一致的预处理流程对图像对进行对齐，统一分辨率，并准备数据集进行训练。在公开可用的灾害数据集上进行实验，结果表明该框架在分类受损区域方面优于传统分割网络。生成的损毁图提供了更快、客观的方法，用于分析灾害影响，既可与专家判断协同工作，又可替代其工作。除了识别哪些区域受损外，该系统还能区分不同程度的破坏程度，从轻微影响到完全毁灭不等，为理解灾害如何影响每个区域提供了更详尽且实用的认识。