《Geomatics》：Collapsed Building Detection from Multi-Temporal Pléiades Imagery: Comparing CNN Architectures and Input Data Strategies
编辑推荐：
重大灾害发生后，快速且具有空间明确性的结构损伤评估至关重要，尤其是在地面进入受限且可靠损伤信息匮乏的地区。本研究评估了语义分割架构、时相输入设计以及类别设定方式如何影响基于2023年2月6日叙利亚金迪雷斯（Jindires）地区极高分辨率（very high-
重大灾害发生后，快速且具有空间明确性的结构损伤评估至关重要，尤其是在地面进入受限且可靠损伤信息匮乏的地区。本研究评估了语义分割架构、时相输入设计以及类别设定方式如何影响基于2023年2月6日叙利亚金迪雷斯（Jindires）地区极高分辨率（very high-resolution, VHR）Pléiades影像的倒塌建筑物检测效果。研究比较了U-Net、SegNet、DeepLabv3+和全卷积网络（fully convolutional network, FCN）模型，并以随机森林（random forest, RF）模型作为参照基线。在方法上，本研究采用受控析因实验设计，以隔离仅使用事件后影像与联合使用事件前后影像两种输入策略的影响，并分别在基于类别的多类设定与二元标签设定下进行验证。性能评估在空间独立的验证区域内进行，采用Dice损失、总体精度和像素级F1分数（F1-score）作为评价指标，并辅以对102个经目视解译的倒塌建筑物点位进行位置级评估。采用多时相二元输入的FCN模型在像素级取得了最高的F1分数（79.1%），其次为采用多时相三分类输入的U-Net模型（76.0%）和采用事件后二元输入的U-Net模型（74.8%）。在点位级别，采用事件后二元输入的U-Net模型与采用多时相二元输入的FCN模型均取得了73.0%的F1分数；其中U-Net模型优先保证召回率，而FCN模型优先保证精确率。结果表明，最优配置在很大程度上取决于所选架构的归纳偏置。因此，这些发现强调了不仅需要选择正确的架构，还需要选择适当的时相输入和类别设定方式的重要性。研究结果为快速筛查提供了可复现的信息；尽管这些结果不构成最终的损伤清单，但为无法获取经核实数据的地区提供了一种真正独立的地震后果评估视角。
论文解读
一、研究背景与问题
2023年2月6日，土耳其南部和叙利亚北部遭受了Mw 7.8和Mw 7.6的两次强震双震序列袭击，造成大范围的人员伤亡和建筑物损毁。地震影响区域横跨国境线，其中叙利亚一侧的受灾情况因长期冲突导致的进入限制和报道不足而缺乏系统性的国际关注。在这一背景下，快速识别倒塌建筑物对于估算损伤规模与空间分布、优先安排搜救行动、识别无法进入的街区以及支持早期恢复规划至关重要。然而，传统的地面调查在道路阻断、结构不稳定、安全与政治条件受限等情况下往往无法及时开展，甚至完全不可行。卫星遥感影像提供了在无法进入区域进行快速、可重复、空间全覆盖观测的替代途径，但基于卫星的损伤评估在缺乏可靠地面真值的情况下，其验证始终面临挑战。金迪雷斯地区不存在经过验证的独立建筑级损伤清单，各方报告的数字之间存在显著差异，这正体现了该研究的操作动机——在无法获得可验证地面数据的条件下，探索利用卫星影像进行独立、可复现的倒塌建筑物筛查的可行性。
二、研究内容与意义
本研究旨在系统评估语义分割架构、时相输入设计和类别设定方式三个因素对倒塌建筑物检测性能的影响。研究采用受控析因实验设计，比较了U-Net、SegNet、DeepLabv3+（含三种ResNet骨干）和FCN四种卷积神经网络架构，并以随机森林作为非上下文像素级基线。实验隔离了两个关键设计选择：一是仅使用事件后影像还是联合使用配准后的事件前后影像堆栈；二是将非倒塌建筑物与背景和倒塌区域分开的三分类设定，还是仅以倒塌为唯一前景类别的二元设定。研究在空间分离的训练区和验证区上进行，采用Dice损失、总体精度和像素级F1分数作为评价指标，并辅以102个目视解译倒塌点位的点位级评估。这项研究的意义在于：它提供了系统性的析因评估以隔离时相输入策略和标签设定方式的影响；通过性能导向的评估确定哪些架构能在漏检、误报和计算复杂度之间取得实际平衡；并利用常用CNN架构建立了可供后续新模型在同一设计下进行比较的参照基准。
三、关键技术方法
研究使用了四类语义分割CNN架构和一种传统机器学习基线。U-Net采用对称编码器-解码器结构，通过跳跃连接将高分辨率特征从收缩路径传递至扩展路径。SegNet的编码器-解码器设计复用编码器记录的最大池化索引而非拼接完整特征图。DeepLabv3+结合空洞卷积、空洞空间金字塔池化（ASPP）和轻量解码器，测试了ResNet-50、ResNet-101和ResNet-152三种骨干。FCN以卷积替代全连接分类层，通过学习式上采样和跳跃特征融合恢复密集空间预测。随机森林作为非上下文像素级分类基线。数据来源为Pléiades系统获取的两景四通道多光谱影像（蓝、绿、红、近红外波段），一景为震前、一景为震后，经全色锐化、地理配准和共同配准后裁剪至共同感兴趣区。参考数据通过人工数字化创建，训练区涵盖约800栋建筑物和22处倒塌点，验证区涵盖约1200栋建筑物和10处倒塌点。
四、研究结果
4.1 仅事件后影像（方案1）
在三分类变体（1a）中，FCN取得了最高的F1分数（67.9%），其次为U-Net（64.7%），SegNet为50.6%，所有DeepLabv3+变体均低于50%，其中ResNet152配置未能产生有效的分割结果。在二元变体（1b）中，U-Net以74.8%的F1分数领先，高出FCN（66.6%）8.2个百分点。研究还发现，去除非倒塌建筑物类别后所有架构的Dice损失和总体精度均有改善，但F1分数并非对所有模型都提升——FCN和随机森林在三分类设定下表现更好。
4.2 多时相输入（方案2）
多时相输入的效果强烈依赖于标签设定和架构。在三分类变体（2a）中，U-Net以76.0%的F1分数领先，FCN为70.3%。在二元变体（2b）中，FCN以79.1%的F1分数明显领先，而U-Net仅为67.1%，两者相差12.0个百分点。架构排名在两个变体之间发生了反转，而非随事件前信息的加入而一致提升。定性结果显示，U-Net倾向于过度绘制倒塌区域从而增加误报面积，而SegNet和DeepLabv3+倾向于遗漏部分解译的倒塌区域，FCN则产生了更选择性的空间响应。
4.3 总体评估
在点位级别，多数选定配置取得了高召回率但明显较低的精确率，表明存在系统性过度检测。最高的点位级F1分数为73.0%，由U-Net（1b）和FCN（2b）共同取得，但两者的错误特征不同：U-Net（1b）结合了63.3%的精确率和86.3%的召回率，而FCN（2b）结合了79.3%的精确率和67.6%的召回率。研究还发现，50 m2的预测多边形过滤阈值对点位级指标有显著影响，该阈值是在影像质量和建筑物尺寸之间权衡的折中方案。
五、讨论与结论
讨论部分指出，多时相输入并非天然优于事件后影像。事件前影像可提供建筑物先验形态证据，使屋顶或足迹突变更易识别，但额外通道增加了模型维度，并引入了视角、光照、季节和残余配准误差带来的差异。U-Net和FCN是仅有的在两种时相策略下均表现一致的架构，但两者对标签变体的响应不同，这反映了它们归纳偏置的差异而非简单的网络规模排序。SegNet和DeepLabv3+的表现说明，架构的复杂性并不能保证在有限的灾害专用训练数据下取得更好结果。研究还强调了在多个空间层级报告指标的重要性：总体精度受类别不平衡影响，像素级F1分数惩罚边界位移，点位级F1分数关注倒塌位置是否被检测到。模型规模差异具有实际后果，FCN的训练时间超过U-Net和SegNet的总和，而增加参数数量并不等同于提升性能。研究局限性包括：训练和验证区域来自同一城市和同一影像对，仅测量域内迁移而非地理稳健性；标注倒塌点数量少且类别严重不平衡；参考掩膜继承了影像分辨率、阴影、遮挡、既有冲突损伤和缺乏完整实地记录带来的不确定性；每种配置仅训练一次，缺乏重复试验和方差估计。
结论部分指出，本研究比较了四种CNN语义分割架构和随机森林基线在金迪雷斯倒塌建筑物检测中的表现。受控析因设计测试了仅事件后影像与配准的事件前后影像堆栈，并比较了三分类设定与二元倒塌聚焦设定。结果表明，没有单一架构或输入策略是普遍最优的，性能在很大程度上取决于操作优先级。U-Net在精度与复杂度之间提供了良好的折中，适用于漏检代价较高的场景；FCN适用于以减少误报为主要优先级的场景，但其可训练参数约为U-Net的十五倍，训练和部署需求相应更大。研究还表明，事件前影像应被视为实验设计选择而非自动改进。研究结果仅限于单一城市、单一事件前后影像对、少量标注倒塌点和基于影像解译而非详尽实地验证的参考数据。尽管当前性能不足以进行最终损伤评估，但研究证明了在无法进入区域仅利用卫星影像进行快速独立筛查倒塌建筑物的可行性，其结果可作为优先安排后续验证的基础，但不能替代现场评估。
