基于深度学习与建筑足迹整合的震后建筑物变化检测：以2023年卡赫拉曼马拉什地震中哈塔伊-安塔基亚为例

来自土耳其的研究人员针对2023年卡赫拉曼马拉什地震后建筑物损毁评估难题，开展基于深度学习（Deep Learning）的卫星影像变化检测研究。通过整合开源建筑足迹数据作为训练标签，采用SegNet、PSPNet和ResUNet等语义分割模型，成功实现震前震后建筑物状态的高精度对比。其中ResUNet模型表现最优（F1-score达92.27%），为灾后快速评估提供了自动化解决方案。

　　

地震作为全球频发的自然灾害，对人类生命财产安全构成严重威胁。2023年2月6日土耳其连续遭遇两次强震冲击——帕扎尔吉克（卡赫拉曼马拉什）Mw 7.7级地震和埃尔比斯坦（卡赫拉曼马拉什）Mw 7.6级地震，导致超5万人遇难、8.4万余栋建筑损毁。灾后精准救援亟需多源数据支撑，其中甚高分辨率（VHR）卫星影像能提供震前震后的地表详细观测信息，但海量数据的人工判读存在巨大挑战。

深度学习架构通过计算机视觉技术实现卫星影像语义分割（Semantic Segmentation），有效提升解译效率。然而模型训练依赖大量标注数据，制作过程耗时费力。本研究创新性采用开源建筑足迹数据作为训练标签，针对重灾区安塔基亚（哈塔伊）开展建筑物变化检测。研究对比了三种主流分割模型：SegNet、PSPNet和ResUNet。实验结果显示，ResUNet在震前影像评估中表现最佳，F1-score平均值达92.27%，SegNet和PSPNet分别为90.47%与90.26%。该技术方案为灾后应急响应提供了自动化、高精度的建筑物损毁评估手段。