基于深度学习的灾后建筑损伤分类框架DamageCAT：从类型学视角提升卫星影像评估精度

针对传统灾后建筑损伤评估方法仅提供二元或等级划分的局限性，德克萨斯A&M大学团队开发了基于Transformer的DamageCAT框架，通过BD-TypoSAT数据集（含4类损伤标签）和分层U-Net架构，实现0.846 F1-score的细粒度分类，为精准救灾资源调配提供决策支持。

　　

在自然灾害频发的背景下，传统建筑损伤评估方法面临严峻挑战。现有自动化技术多局限于二元（受损/未受损）或粗略的等级划分（如"轻度/中度/严重"），这种评估方式难以区分屋顶局部破损与主体结构坍塌的本质差异，导致救灾资源分配缺乏针对性。更棘手的是，卫星影像的垂直视角常遗漏建筑立面损伤，而商业高分辨率影像的高昂成本（如0.5米分辨率影像约22.5美元/km²）进一步制约了大规模应用。

针对这一难题，德克萨斯A&M大学（Texas A&M University）Zachry土木与环境工程系的研究团队开发了DamageCAT框架。该研究创新性地采用类型学分类方法，通过构建BD-TypoSAT数据集（包含2135组飓风Ida前后的0.4米分辨率卫星影像三重态）和设计分层U-Net-Transformer混合架构，实现了对四种损伤类型（局部屋顶损伤、完全屋顶损伤、局部结构坍塌、完全结构坍塌）的精准识别，相关成果发表在《International Journal of Disaster Risk Reduction》。

关键技术包括：1）基于Maxar卫星影像构建的BD-TypoSAT数据集，采用平方根逆频率加权策略缓解类别不平衡；2）集成Transformer长程依赖捕捉能力与U-Net空间细节保留优势的DAHiTrA模型；3）多尺度差异块（Difference Blocks）实现时序特征对比；4）复合损失函数（0.5·dice_n+0.5·ce_n）优化模型训练。

研究结果方面：

1. 模型性能：在四折交叉验证中达到0.737±0.033 mIoU和0.846±0.021宏观F1分数。其中"局部结构坍塌"类表现最佳（F1=0.900±0.056），而占比86.69%的"局部屋顶损伤"类仍保持0.809±0.008 F1分数。

2. 跨事件验证：模型在飓风Harvey、Florence和Michael的影像上展现出迁移能力，但受限于xBD数据集的严重度标注体系，未进行定量比较。

3. 成本效益分析：相比传统人工标注（约5美元/建筑），自动化评估可降低90%以上成本，但0.5米分辨率影像仍需22.5美元/km²的投入。

讨论指出，该框架的突破性在于将损伤描述从"程度"转向"类型"，例如：

• 局部屋顶损伤（≤50%屋顶覆盖丧失）需优先调度防水布和屋顶维修队

• 完全结构坍塌（>50%承重墙失效）需立即部署重型机械和搜救犬

  这种分类粒度显著提升了应急响应的精准度。不过研究也坦承，仅0.47%的"完全结构坍塌"样本量（38例）可能影响模型鲁棒性，且垂直视角对墙体裂缝等损伤不敏感。

这项研究为灾后评估提供了新范式，其意义不仅体现在技术层面（如首次实现0.822 IoU的结构坍塌检测），更开创了"损伤机理导向"的评估思路。未来通过融合倾斜摄影（oblique imagery）和SAR数据，有望突破现有卫星视角的局限，为构建多模态灾害响应系统奠定基础。