遥感技术赋能震后精准评估:2023年土耳其地震灾害的启示与前沿进展
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Post-Earthquake Damage Mapping via Remote Sensing: Lessons from the 2023 Türkiye Disaster
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本刊特邀综述聚焦2023年土耳其地震后遥感技术在灾害评估中的关键作用。为解决灾后快速、精准评估的迫切需求,研究人员围绕深度学习(DL)损伤分类、多源遥感数据融合、基准数据集构建及地球物理信号分析等主题开展研究。结果表明,Swin Transformer等模型在无地面真值数据场景下仍能有效识别“完好”与“毁坏”建筑,而多模态数据融合与开放数据平台将推动构建鲁棒、可解释的实时灾害响应系统,为未来地震灾害的快速评估与风险管理提供重要技术支撑。
2023年2月6日,土耳其东南部接连发生两次强震,震级分别高达7.8级和7.4级,造成了超过5万人遇难、数百万人流离失所的世纪灾难。这场灾难暴露了传统地面调查方法在应对大范围、极端天气和交通中断等复杂灾后环境时的严重局限性。在此背景下,如何快速、准确、大范围地评估建筑物损毁情况,为搜救、资源调配和灾后重建提供决策支持,成为亟待解决的关键科学问题与应用挑战。遥感技术,特别是卫星光学与合成孔径雷达(SAR)影像以及无人机(UAV)数据,因其能够突破地理与物理限制,提供大范围、多时相的观测能力,自然而然地成为了灾后应急响应的“天眼”。
为了系统总结和展示遥感技术在此次土耳其地震中的应用成果,《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》(JSTARS)组织出版了题为“Damage/Risk Assessment for the 2023 Turkey Earthquakes Using Remote Sensing”的特刊。本文即是对该特刊中五篇经过同行评议的研究论文的综合性回顾,旨在梳理方法创新、评估实际效用,并展望未来研究方向,为构建更强大、可解释的实时灾害响应系统奠定基础。
为开展此项研究,研究人员综合运用了多种关键技术方法。主要包括:基于深度学习(DL)的建筑物损伤分类模型(如卷积神经网络CNN和Swin Transformer架构)的训练与评估;多源遥感数据(光学、SAR、激光雷达LiDAR、数字表面模型DSM)的融合与协同分析技术;针对特定灾害(土耳其地震)构建高质量基准数据集(TE23D)的流程与方法;利用高分辨率立体卫星影像(HRSSI)与ICESat-2激光测高数据快速生成高精度DSM并进行三维重建的技术;以及基于风云三号E星(FY-3E)出射长波辐射(OLR)数据,应用天体引潮力附加构造应力(ATSCTF)算法探测震前热异常的方法。
Wuguna等人系统评估了多种深度学习模型在应急响应场景下(即缺乏现场真实数据)进行建筑物损伤绘图的性能。他们利用包含四个损伤等级(无损伤、轻微损伤、严重损伤、毁坏)的大规模xBD数据集,对多种CNN和基于Transformer的架构(特别是Swin Transformer)进行了训练和测试,并比较了交叉熵、Focal以及组合的CE-Focal损失函数。性能最佳的模型(采用CE-Focal损失的Swin Transformer)被应用于2011年日本东北海啸和2023年土耳其地震这两个未见过的灾害事件,以模拟真实世界的快速评估。结果表明,该模型能有效识别“无损伤”和“毁坏”的建筑,但常常混淆“轻微损伤”和“严重损伤”这两个中间类别。使用震前和震后影像能增强模型区分损伤等级的能力,但在数据有限的情况下,仅使用震后影像也能获得合理结果。与xView2基线相比,基于Transformer的模型在卫星和航空影像上取得了更稳定、一致的结果,凸显了其鲁棒性和适用于快速损伤评估的潜力。
地震工程现场调查队(EEFIT)在2023年土叙地震后开展了一项调查,旨在通过使用SAR、光学影像和人工智能(AI)衍生地图等多种卫星数据识别不同损伤区域,并结合地面调查验证这些发现,以支持现场工作队。通过整合多源数据集和应用区域统计方法,该团队确定了实地评估的关键优先区域,并发现不同损伤产品之间存在显著的不一致性,尤其是在中等损伤水平上。虽然“倒塌”与“未倒塌”的二元分类表现更为可靠,但准确检测中间损伤的挑战依然存在。该研究强调了协调数据源、增强空间对准以及将遥感与现场验证相结合以改进灾害响应工作的必要性。
Ekkazan和Karsligil的基准数据集TE23D开发
认识到缺乏用于训练AI损伤评估模型的标准资源,Ekkazan和Karsligil引入了TE23D,一个针对2023年2月土耳其地震后建筑物损伤的精心策划的基准数据集。该数据集包含1183个图像块和2080个损伤多边形标注,采用了一种仅标记损伤区域的二元分割策略(考虑到废墟和倒塌结构形态不明确的特点)。研究将TE23D与现有数据集进行了比较,突出了其针对地震灾害的特定焦点以及通过多边形标注(而非图像级分类或边界框)实现的增强空间细节。为了进行基准测试,在TE23D上训练了七种分割模型(包括BEiT、Mask R-CNN、U-Net++和SegFormer),其中SegFormer-B5取得了最佳结果,像素精度达92.49%,平均交并比(mIoU)达74.45%。该数据集旨在为应急响应提供快速、准确的自动化损伤检测,并为未来的灾害评估提供一个可扩展的框架。
针对利用卫星高度信息进行大尺度建筑物损伤评估的需求,Hong等人提出了一种基于高分辨率立体卫星影像(HRSSI)的快速、精细化、自动化大尺度建筑物倒塌评估方法,重点应用于土耳其卡赫拉曼马拉什。该方法通过集成高分七号(GF-7)立体影像与ICESat-2激光测高数据,克服了地面控制点(GCP)有限、三维重建过程耗时以及密集城市环境等挑战,实现了垂直精度优于1米。开发了一个快速三维重建流程,通过基于ORB的特征匹配和GPU加速的密集匹配,将数字表面模型(DSM)的生成效率提高了8倍以上。将注册的微软建筑物轮廓通过仿射变换与DSM对齐,以实现精确的高度变化检测。随后使用连通分量分析和高程阈值进行建筑物倒塌分类,并通过分析DSM的差异来估算倒塌楼层数。将该方法应用于卡赫拉曼马拉什800平方公里区域,在一小时内处理了48,092栋建筑并生成了楼层级的损伤图。使用谷歌街景对361栋建筑进行验证,楼层级准确率达到93.27%。结果揭示了2,709栋倒塌建筑,并估算出总倒塌体积达500万立方米,为应急响应、重建和人道主义援助物流提供了由地理空间数据衍生的关键信息。
Cui等人检验了风云三号E星(FY-3E)的出射长波辐射(OLR)数据,结合ATSCTF算法,探测与2023年土耳其双震相关的震前热异常的能力。结果表明,基于四分位数的阈值方法能有效识别与地震活动 coincident 的OLR值异常变化,尤其是在关键的震前阶段。升轨和降轨卫星数据之间以及与前人基于NOAA数据的结果之间观察到很强的一致性。研究进一步指出,仅靠潮汐应力无法触发地震,除非已有的构造应力接近临界水平。该研究强调了FY-3E中分辨率光谱成像仪/微光型传感器的高分辨率、动态范围和准确性等优势对于未来地震监测的潜力。同时,也提到了ATSCTF方法和四分位数阈值法存在的局限性,需要进一步探索。
综上所述,本综述所涵盖的研究展示了遥感与人工智能技术在应对重大地震灾害方面的巨大潜力与应用价值。从深度学习模型的优化与应用、多源数据的融合验证、专用基准数据集的构建,到精细化三维损伤评估和震前物理信号探索,这些工作共同推动了震后快速、精准评估技术的发展。然而,挑战依然存在,主要包括模型对分布外(OOD)数据的泛化能力、中间损伤等级的模糊性、光学影像的固有局限、数据获取延迟以及多源数据整合的困难等。未来的研究方向应聚焦于领域自适应与泛化技术、多模态数据融合、改进地面真值与标准化标注、解决类别不平衡问题、开发可扩展的实时部署管道,以及探索OLR等地球物理信号在早期预警中的应用。通过持续的技术创新、跨学科合作以及开放数据平台的构建,有望最终建立起鲁棒、可解释、实时响应的智能灾害评估系统,为减轻地震灾害风险、保障人类生命安全提供更强大的科技支撑。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号