Post-Earthquake Candidate Building-Loss Screening from Bitemporal Google Earth Imagery: An Object-Level Framework for the 2023 T¨urkiye Earthquakes
本研究提出了一种利用双时相 Google Earth 影像和经过混合训练的 YOLOv12n 检测器进行目标级框架的方法，旨在自动筛选 2023 年土耳其地震后的候选建筑损失，展示了一种在不依赖建筑轮廓或 LiDAR 等辅助地理空间数据集的情况下即可运行的可扩展初步灾后评估方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当重大地震发生时，救援队的当务之急是了解哪些建筑物发生了坍塌。在灾难发生后的混乱数小时和数天内，工程师们无法实地走访每一条街道进行建筑检查；道路可能被封堵，且危险程度过高。相反，他们依赖于从上方拍摄的图像，像看地图一样俯瞰城市。几十年来，科学家们一直试图教会计算机观察这些图像，并辨别出屹立不倒的房屋与一堆废墟之间的区别。挑战在于，这些图像很少是完美的。它们拍摄的角度不同、拍摄的时间不同，而且经常显示同一条街道在不同季节的样子。仅仅因为阳光位置的变化，建筑看起来就会有所不同，而不一定是因为它被摧毁了。此外，许多地区缺乏详细的数字地图来标注每栋建筑的位置，这使得计算机最初很难知道自己应该寻找什么。
这种困难正是来自土耳其的一项新研究旨在解决的问题。研究人员将重点放在了2023年2月袭击土耳其的毁灭性地震上。他们的目标是创建一个系统，能够自动扫描灾前历史卫星图像，并将其与灾后拍摄的图像进行对比，且仅依靠图像本身。他们并不依赖于可能在危机期间无法获取的预设建筑位置图或复杂的3D数据。相反，他们构建了一种方法，先找出建筑物，然后再检查它们在之后是否仍然存在。其结果是一个充当“初步过滤器”的工具，它会标出那些建筑物似乎消失了的区域，以便人类专家可以将详细检查集中在最有可能的地点。
为了构建这个系统，研究人员首先必须教会计算机如何在卫星照片中识别建筑物。他们收集了大量的图像，将一个公开的卫星照片数据集与来自受灾土耳其城市的150对特定的Google Earth图像相结合。其中一组图像来自2022年（灾前），另一组来自2024年（破坏发生后）。因为计算机需要学习建筑物长什么样，研究人员使用了一个半自动的过程。他们让一个初始计算机程序标记建筑物，然后由人工仔细检查每一个标记，纠正错误并添加被计算机遗漏的建筑物。这创建了一个高质量的训练集，使计算机即使在面对微小或拥挤在一起的房屋、公寓和其他结构时，也能学会识别它们。
一旦训练数据准备就绪，团队测试了六种不同类型的计算机视觉模型，以观察哪一种在寻找建筑物方面表现最好。这些模型就像是不同的“眼睛”，每种模型都有其处理视觉信息的方式。有些模型旨在追求极速，而另一些则旨在追求极高的精确度。研究人员在相同的条件下运行了所有模型，以观察哪一个能在速度和准确性之间取得最佳平衡。他们发现名为YOLOv12n的模型表现最佳。它能够在保持较低误报率的同时找到最多的建筑物，并且其速度足以应对大规模区域。在选定这个优胜者后，他们利用整个图像集合对其进行了重新训练，使其更加精准。在对新的、未见过的图像进行测试时，这个最终模型能够以高度可靠性正确识别建筑物，尽管在处理如此复杂的场景时，它仍然会遗漏一些较小的或严重受损的结构，这是已知的一个局限性。
在拥有了最好的建筑物检测器后，研究人员进入了第二阶段：对比前后图像。这一步非常棘手，因为同一地点的两张图像并不完全对齐；其中一张可能相对于另一张发生了轻微的偏移或旋转。为了解决这个问题，系统忽略了可能已被摧毁的建筑物本身，而是锁定在稳定的特征上，如道路、交叉路口和农田边缘。利用这些固定点，计算机调整了2024年的图像，使其与2022年的图像完美匹配。一旦图像对齐，系统就会查看它在2022年发现的每一栋建筑，并尝试在2024年的图像中寻找其“孪生兄弟”。
这种对比的结果令人瞩目。该系统处理了覆盖受灾最严重地区的145对图像。在2022年的图像中，它识别出2,872栋建筑物。在2024年的图像中，它找到了2,039栋建筑物。当它尝试进行匹配时，成功将842栋出现在两年的建筑物联系了起来。然而，在2022年存在的2,030栋建筑物在2024年没有对应的匹配项。系统将这2,030栋缺失的建筑物标记为“候选损失”。这并不意味着它们一定是被地震摧毁了；这仅仅意味着它们在两个日期之间从视野中消失了。它们可能被拆除了、重建了，或者可能只是计算机在第二张图像中漏掉了它们。该系统的设计初衷就是捕捉所有这些可能性，以便人类进行更深入的观察。
研究发现，这些“候选损失”的比例因地点而异。例如，在安塔基亚（Antakya）地区，系统标记了715栋建筑物缺失，这代表了该地区震前建筑总数的86%以上。在卡赫拉曼马拉什（Kahramanmaraş）中心区，损失率接近79%。其他地区的比例较低，但规律很明显：系统可以精确指出发生最剧烈变化的地点。研究人员还注意到，被标记为缺失的建筑物不仅仅是计算机不确定的那些；许多建筑具有很高的置信度分数，这意味着系统非常确定它以前见过这些建筑，并且非常确定在之后没有看到它们。
这项工作证明，仅使用公开可用的图像，无需专门的地图或昂贵的传感器，就可以进行大规模的地震灾害初步筛查。该系统并不声称能确定哪些建筑物坍塌了；相反，它提供了一个需要人类关注的优先位置列表。通过将搜索范围从数千栋建筑物缩小到几千个可能的候选目标，该方法为救援队和工程师节省了时间和资源。它将一项庞大且令人不知所措的任务转化为一项可控的任务，使专家能够将精力集中在证据最为充分的损失区域。研究结论认为，虽然计算机无法取代人类的眼睛，但它可以作为一个强大的向导，在灾后指引通往最关键区域的方向。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。