神经灾难模拟（NeDS）：基于生成式模型的建筑损伤评估迁移学习新方法

本文提出神经灾难模拟（Neural Disaster Simulation, NeDS）这一深度生成模型，通过预灾图像与可定制灾难信息（类型与强度）合成高真实感灾后图像，解决跨灾难场景下建筑损伤评估的迁移难题。NeDS在图像级显式建模灾害效应，突破传统方法对灾后训练数据的依赖，显著提升模型迁移性（平均性能提升4.3%）与视觉可解释性，为灾害响应提供可靠技术支撑。

　　

Highlight

多灾害灾难模拟

为验证NeDS的概念可行性，我们开展了跨地理与环境背景的多灾害模拟实验。如图3所示，我们分别对六种自然灾害——洪水（flooding）、飓风（hurricane）、地震（earthquake）、火山喷发（volcanic eruption）、海啸（tsunami）和野火（wildfire）进行了案例式模拟，每种灾害均应用于不同的预灾卫星影像。针对每个场景，NeDS首先生成灾后损伤掩模，并合成布局一致的灾后图像，精准反映灾害类型与强度设定的破坏模式。

结论

本研究通过引入视觉可解释的伪双时相损伤样本，推动了可迁移建筑损伤评估的发展。为此，我们提出神经灾难模拟（Neural Disaster Simulation, NeDS），这是一种深度灾难生成模型，能够根据预灾影像及可控灾难信息（如灾害类型与强度）合成灾后图像。NeDS首先在源域损伤样本上训练，随后用于生成目标域损伤样本，使建筑损伤评估模型能够通过合成数据后训练（synthetic data post-training）适应新灾难事件。