《Earthquake Research Advances》：Ordinal severity supervision for building damage segmentation from UAV imagery: a case study of the 2023 Mw 6.8 Al Haouz earthquake, High Atlas, Morocco.
编辑推荐：
摘要：从无人机（UAV）影像中对震后结构损伤进行快速评估已成为现代灾害响应行动不可或缺的组成部分。基于Transformer的语义分割模型推动了像素级损伤识别的发展，然而现有方法大多将损伤严重程度等级视为独立类别，丢弃了从无损坏到完全倒塌的自然顺序。本文提出一
摘要：从无人机（UAV）影像中对震后结构损伤进行快速评估已成为现代灾害响应行动不可或缺的组成部分。基于Transformer的语义分割模型推动了像素级损伤识别的发展，然而现有方法大多将损伤严重程度等级视为独立类别，丢弃了从无损坏到完全倒塌的自然顺序。本文提出一种序数损伤分割框架（ordinal damage segmentation framework），将该顺序编码于输出本身之中。该框架以SegFormer-B5为骨干网络，在每个像素处预测两个通道，一个用于建筑存在性，另一个用于严重程度，并通过一个可学习的温度参数锐化的单峰分布从严重程度通道推导出四个损伤等级，使得某一等级的概率随其与预测严重程度的距离增大而递减。建筑提取与严重程度分级在同一阶段联合训练，无需额外参数或推理成本。该框架在受2023年9月豪兹（Al Haouz）地震影响的高阿特拉斯（High Atlas）三个村庄的无人机影像上进行评估，采用整村留出（leave-one-village-out）的训练协议，并以累积链接编码（cumulative-link encoding）和距离加权分类目标作为对照，在相同条件下进行训练。在两个训练村庄与留出村庄的表观建筑尺度相匹配的折次中，序数公式将平均交并比（mean Intersection over Union）相对于同一骨干网络的独立分类输出分别提高了0.030和0.062，将轻微损伤（Minor damage）的交并比提高了0.084和0.125，并将跨越一个以上等级的误差比例降低了9.3和5.6个百分点，每项差异均通过配对瓦片自助法（paired tile bootstrap）得到支持。标注数据集已公开发布。
一、研究背景、现存问题与研究意义
地震是最具破坏性的自然灾害之一，对建成环境造成广泛破坏并导致大量人员伤亡。震后快速获取空间精确的建筑损伤清单对于指导搜救、分配应急资源和规划重建至关重要。传统的现场检查和人工航拍解译方法耗时、危险且难以覆盖大范围地震事件。随着亚米级卫星影像和无人机（UAV）技术的普及，遥感观测成为系统化损伤清查的重要手段，而深度神经网络已成为自动化结构损伤识别的主流方法。其中，Transformer编码器-解码器模型如SegFormer通过建模宽图像区域的空间相关性，在保持计算可行性的同时达到了高分割精度。
然而，现有深度学习分割流水线存在一个根本局限：损伤严重等级被当作可交换的分类标签处理，忽略了从结构完好经中间劣化状态到完全倒塌的自然排序。将所有误分类赋予相等的损失惩罚，使得损伤尺度上的任意幅度错误都受到同等对待，例如相邻低严重等级之间的错误预测与结构完好和完全倒塌之间的严重混淆受到相同惩罚。这种排序恰恰是地震工程中定义损伤的方式，EMS-98等级描述了严重程度递增的连续状态，易损性函数表达了超过每个等级的概率。已有研究尝试将序数回归用于地震损伤分级，但要么未在场景内解析严重程度，要么仅通过损失函数施加排序而输出仍为独立通道，且超参数需针对数据集调优。此外，性能评估方式也存在问题：损伤清单恰恰需要在刚受灾的聚落中获取，而该聚落很少是模型训练过的场景。当训练和测试数据来自同一场景时，报告的准确性描述的是已调查区域的性能。衡量在其他地方的泛化能力需要将整个聚落留出，同时保留完整的等级集合。
为解决上述不足，本研究引入了一种序数损伤分割框架，将损伤等级作为单一尺度上的位置，在基于Transformer的逐像素预测流水线中处理。主要贡献包括：（1）从单个严重程度变量以单峰分布而非独立类别推导四个损伤等级，使得等级概率随其与预测严重程度距离的增大而递减；（2）在同一输出的两个通道中分别预测建筑存在性和严重程度，实现单阶段联合训练，无需额外参数、标注或推理成本；（3）在整村留出的协议下评估该公式，并以累积链接编码和距离加权分类目标作为对照，在相同条件下训练，每项差异均报告为配对自助法区间；（4）发布了一个包含963张瓦片的标注无人机数据集，来自受2023年9月豪兹地震影响的高阿特拉斯三个村庄，按四个损伤等级进行像素级标注。在两个训练村庄与留出村庄表观建筑尺度匹配的折次中，序数公式将平均交并比（mIoU）相对于独立分类输出分别提高0.030和0.062，轻微损伤（Minor damage）的交并比提高0.084和0.125，跨越一个以上等级的误差比例降低9.3和5.6个百分点。这些结果表明，将严重程度作为有序尺度进行监督能够改善中间等级的性能，并将残余误差限制在相邻等级之内，且不增加推理成本。
二、主要关键技术方法
研究人员采用了以下关键技术方法：以SegFormer-B5作为骨干网络，其架构由层级式Mix Transformer编码器和轻量级MLP解码器组成；修改输出层使其产生两个通道，即建筑通道（binary segmentation）和严重程度通道（ordinal severity modeling）；严重程度通道通过二项分布（Binomial distribution）和可学习温度参数（temperature τ）将单个严重程度logit转换为四个损伤等级的单峰概率分布；建筑通道使用加权二元交叉熵（weighted binary cross-entropy）和Dice损失联合训练；严重程度通道在标注为建筑的像素上使用等级加权交叉熵和Dice损失；整体优化目标结合两项损失。实验采用留一村交叉验证（leave-one-village-out cross-validation），将三个村庄中的一个完全留出作为测试集，其余两个用于训练和验证。数据来源于2023年9月摩洛哥豪兹地震后对高阿特拉斯地区三个村庄（Douar Ighil、Tlat N'Yaakoub、Tassaount）的无人机航拍，共963张瓦片，像素级标注分为无损坏（Undamaged）、轻微损伤（Minor damage）、损坏（Damaged）和毁坏（Destroyed）四个等级。对比配置包括五通道分类输出（配置A）、加权交叉熵加Dice损失（配置B）以及U-Net卷积基线（配置D），另设CORAL累积链接和距离加权交叉熵作为控制实验。
三、研究结果
3.1 标注可靠性
通过独立评分者对100栋建筑的盲评，标注一致性达到78.0%（Cohen’s κ = 0.675），一个等级内一致率为97.0%，二次加权κ为0.900。极端类别（无损坏和毁坏）的可重复性最高，而中间类别（尤其是损坏）的一致性显著较低，表明中间等级存在较大的标注不确定性。
3.2 定量性能比较
在两个主折次（Fold 1和Fold 2）中，配置C（序数公式）在所有聚合指标上达到最优或并列最优。相对于配置B（加权CE+Dice），配置C的mIoU分别提升0.030和0.062，前景平均绝对误差（MAE）降低0.068和0.076，非相邻误差比例降低9.3和5.6个百分点，每项差异的自助法区间均不包含零。增益集中在中间等级：损坏（Damaged）的IoU提升0.065和0.090，轻微损伤（Minor damage）的IoU提升0.084和0.125。相对于配置A（普通CE），轻微损伤的增益在两个折次上均显著。U-Net基线（配置D）在所有指标上表现最差。控制实验显示，在Fold 2上配置C优于CORAL控制和距离加权控制。
3.3 逐类结果
极端类别（毁坏和无损坏）的IoU在不同配置间变化不大，而中间类别差异显著。轻微损伤是所有配置中得分最低的类别，配置C是唯一在两个折次上将其IoU保持在0.200以上的配置。配置C将轻微损伤的召回率大致翻倍（至51.4%和40.1%），但伴随无损坏召回率的下降，被置换的像素主要被分配到轻微损伤而非更远等级。
3.4 对象级评估
在标注足迹内的建筑级评估中，配置C在两个折次上将超过90%的足迹分级在一个等级以内，接近人类评分者的97.0%。配置C的轻微损伤足迹召回率在Fold 1上约翻倍（23.5%→45.0%），在Fold 2上几乎增长三倍（13.4%→37.2%）。配置C还遗漏了更少的足迹。
3.5 跨村落泛化
在Fold 3（留出Douar Ighil，其建筑尺度与训练村庄不匹配）上，两种配置的性能均大幅下降（mIoU约0.30），且运行间波动显著增大。仅建筑召回率在配置C上更高，而其他指标无显著差异。因此，前述增益取决于训练村庄覆盖留出村庄的表观建筑尺度。
四、讨论与结论总结
讨论部分指出，该方法通过将损伤等级作为有序尺度监督，改善了中间等级的分级性能，并将误分级像素更多地限制在相邻等级。中间等级的困难源于视觉模糊性和标注可重复性低，而分类目标对所有错误赋予相同代价，序数监督消除了这种无差别。与其他序数编码方法的比较表明，本研究的单峰分布公式在Fold 2上优于CORAL累积链接和距离加权交叉熵。评估设计方面，留村验证模拟了实际应用场景，而此前多数研究在同一场景内评估或合并了损伤等级。
研究结论翻译如下：本研究提出了一种用于无人机影像多等级建筑损伤评估的序数分割框架，应用于2023年9月豪兹地震后高阿特拉斯三个村庄的数据。该框架保留了SegFormer-B5编码器，将分类输出的四个独立损伤类别替换为两个通道（建筑存在性和严重程度），通过可学习温度锐化的单峰二项分布推导四个等级。建筑提取与严重程度分级单阶段联合训练，无需额外参数、标注或推理成本。通过留一村交叉验证评估性能。在两个训练村庄与留出村庄表观建筑尺度匹配的折次中，序数公式将mIoU相对于独立分类输出分别提高0.030和0.062，最大增益出现在中间等级（轻微损伤IoU提高0.084和0.125，召回率约翻倍），残余误差更集中于相邻等级（非相邻误差比例降低9.3和5.6个百分点）。未来工作将纳入震前影像以区分既有与地震引起的损伤，扩展输入传感器以捕获天底视角无法分辨的立面证据，并校准预测等级分布以便操作用户读取置信度而非单纯标签。
