利用合成孔径雷达和机器学习技术评估灾后建筑损伤评估结果的可转移性

《International Journal of Disaster Risk Reduction》：Assessing the Transferability of Post-Disaster Building Damage Assessment using Synthetic Aperture Radar and Machine Learning

　　詹姆斯·柯里 | 卡琳·莱因克
数学与地理空间科学，RMIT大学科学学院，澳大利亚墨尔本

摘要
在灾难发生后，及时了解基础设施（如建筑物和住宅）的损坏规模和分布对于高效有效的响应和恢复至关重要。合成孔径雷达（SAR）是一种有价值的远程评估工具，当与机器学习（ML）结合使用时，它有潜力安全有效地绘制单个建筑物的损坏情况。在实际的灾害响应中，SAR-ML模型必须能够推广到训练数据之外的新灾害事件。然而，使用中等分辨率的SAR进行模型迁移以适应不同情境下的新灾害事件尚未经过充分测试。因此，本研究通过利用Sentinel-1的相干性和强度来评估中等分辨率SAR-ML模型在11种不同类型的灾害事件（包括地震、飓风、野火、海啸和火山爆发）中的迁移能力，这些灾害事件发生在全球不同地点。模型在三种情况下进行了训练和测试：一种是无需迁移能力的参考情况，另外两种情况使用了基于事件的交叉验证：(a) 全球情况；(b) 专门针对火灾的情况。与参考情况相比，全球迁移情况下的模型性能显著下降，表明模型难以适应不同的灾害特征和地理环境。专门针对火灾的情况表现优于不区分灾害类型的全球情况，这表明进一步的研究可以集中在特定类型的灾害模型上。尽管所有情况下的性能都不稳定，但在某些灾害事件中（尤其是火灾情况）仍取得了积极的成果。在将模型实际应用于灾害响应之前，还需要进行更多的研究。

1. 引言
自2000年以来，自然灾害已导致超过500万人死亡[1]，每年影响近2亿人[2]。自然灾害会导致急性影响，如基础设施损坏和建筑物倒塌，这需要及时的响应和干预；同时还会产生长期和次级影响，包括大规模的人口流离失所[3]、水资源和食物安全问题以及饥荒[4]、疾病爆发[5]以及短期和长期的经济损失[6]。及时了解损坏的规模和空间分布对于提供人道主义支持和协调灾后恢复工作至关重要[7]、[8]、[9]。收集有关灾害影响和人道主义需求信息的主要方法通常是地面调查和挨家挨户的问卷调查，但由于灾害的规模以及安全和现场可进入性的复杂性，这些方法可能会导致显著的延迟，并且在灾害范围内的评估方法缺乏重复性和一致性[10]、[11]。不一致的数据集也可能导致对全球自然灾害影响的系统理解存在空白[4]。

卫星遥感技术越来越多地被用于灾后损失评估[10]，例如联合国卫星中心和哥白尼应急管理服务组织利用极高分辨率（VHR）光学图像来直观评估损失的范围和分布，然后为人道主义组织提供这些评估结果，以便他们规划和优先处理灾害响应[12]、[13]。虽然这种方法比地面评估更快，但由于获取合适图像所需的时间（通常受到云层覆盖或烟雾的影响）而可能受到显著延迟[14]。

合成孔径雷达（SAR）是一种主动式遥感技术，特别适用于快速灾害响应，因为它不受云层覆盖或烟雾的影响[15]，并且通过干涉测量可以检测到毫米级的高度变化[16]。尽管具有这些优势，但由于分辨率、斑点和阴影等因素，中等分辨率的SAR（如Sentinel-1）在精确检测建筑物级损坏方面仍存在局限性[15]。虽然有多种变化检测技术常用于基于干涉测量相干性和强度的SAR损失评估，但机器学习（ML）的应用相对较少[17]、[18]。以往使用ML和中等分辨率SAR的尝试产生了不同的模型性能结果，且通常局限于针对一两个事件的小规模案例研究。目前缺乏对这些模型进行验证的方法，大规模的测试也非常有限。

为了使ML算法能够用于快速灾害评估，它必须能够推广到训练背景之外的新灾害事件[19]。现有的SAR-ML研究大多忽略了泛化能力测试，大多数训练和测试都是使用同一灾害事件的真实数据进行的[20]、[21]、[22]、[23]，这无法反映这些模型在实际应用中必须适应的不同灾害特征和地理环境。已经进行迁移能力测试的研究表明，与未进行测试的研究相比，模型性能有所下降[24]、[25]、[26]。据作者所知，尚未对中等分辨率SAR强度和相干性ML灾害损失映射进行过迁移能力测试。因此，之前未评估迁移能力的研究在实践中可能不可靠。

为了了解SAR-ML损失检测模型的可行性，必须充分理解模型的适应性和迁移能力的局限性。因此，本研究提出了两个研究问题：首先，当将SAR建筑物损失ML分类模型应用于不同类型的灾害事件和地理区域时，其性能下降到什么程度？其次，特定灾害的模型是否优于不区分灾害类型的模型？

为了回答这些问题，本研究使用了来自多个灾害事件的Sentinel-1 SAR特征和真实建筑物损失标签，在三种不同的训练和测试场景下构建了ML模型，分别是：1）参考场景，作为不反映实际泛化要求的理想化基线；2）全球迁移场景；3）专门针对野火的场景。

2. 背景
2.1 Sentinel-1 SAR数据简介
Sentinel-1配备了一个C波段SAR仪器，在干涉宽幅（IW）模式下可以同时捕获强度和相位信息。强度信息是指反射到传感器的雷达能量比例，通常称为后向散射[27]。返回的雷达信号的相位也被捕获，一个完整的相位周期对应于传感器的一个完整波长。通过两次时间测量，可以捕获相位差，从而测量位移，这被称为SAR干涉测量或inSAR[15]。

Sentinel-1的Level-1单视复数（SLC）SAR图像的空间分辨率约为5×20米，但由于倾斜入射角而噪声较大。“斑点”是一种类似盐粒和胡椒的噪声效应，由单个分辨率单元内的SAR信号的建设性或破坏性干涉引起，这可能会掩盖和复杂化小特征的检测。因此，通常会应用某种程度的平均处理或“多视”处理来获得方形像素，减少噪声并提高辐射测量精度[15]。Sentinel-1可以捕获多种极化方式的信息，其中“VV”极化被认为最适合损失检测[22]，意味着雷达信号以垂直极化方式发送和接收。

2.2 统计损失评估技术
已经提出了多种变化检测方法来使用SAR评估损失，其中最成功的方法结合了相位和强度信息[17]。相位信息通常通过相干性来纳入SAR损失评估，相干性是通过移动互相关窗口从两张复杂图像计算得出的[15]。高相干性表示区域未发生变化，而低相干性则表明发生了变化，这使得它适用于检测与灾害相关的损失[28]。然而，植被、水体和其他动态表面的相干性自然较低[15]，从而导致误报。为了解决这个问题，许多方法将事件前的相干性（正常变化）与事件后的相干性（事件相关变化）进行比较，以更好地分离损失[17]。存在多种比较两种相干性图像的方法来生成损失的“代理指标”，包括计算事件前后相干性差异的比率[20]。其他方法[29]、[30]通过直方图匹配将事件前图像校正到事件后图像，然后从事件后图像中减去事件前图像。

在建筑物级别应用这些指标时存在固有的分辨率限制。Natsuaki等人[31]指出，要可靠地检测建筑物级别的损失，受损建筑物的大小必须与用于相干性计算的窗口大小相匹配。鉴于Sentinel-1的有效方形像素大小约为14米（相干性窗口更大），因此检测单个建筑物的损失具有挑战性。Akhmadiya等人[20]认为在SAR图像中无法区分单个建筑物，但建议使用双极化和强度特征等额外变量来克服这一问题，以便检测损失信号。已经有许多尝试使用Sentinel-1找到像素或建筑物级别的损失，但成功程度不一[17]、[20]、[21]、[32]。

强度会因场景特征而变化，特别是地面的形状和粗糙度，因此如果存在损失，两次时间测量得到的强度可能会发生变化[17]。强度通常首先转换为分贝（dB），然后通过图像差异、相关性或基于比率的方法整合到统计损失检测模型中。

2.3 使用SAR的数据驱动建模方法
如表1所示，先前的工作表明ML从SAR中提取损失信息具有明显潜力，但证据有限，且倾向于使用高分辨率传感器，往往依赖于辅助数据。对于相对高分辨率的SAR，通常使用事件前后的强度与决策树[24]和支持向量机[26]等分类器结合使用。也有尝试仅使用事件后的强度图像，使用卷积神经网络（CNN）[35]和随机森林[25]在VHR Capella SAR强度图像上取得了合理的性能（准确率为53-86%）。

表1. 使用数据驱动方法进行SAR建筑物损失检测的先前研究
| 传感器（分辨率） | SAR输入特征 | 灾害事件 | 算法 | 模型性能 | 关键参考文献 |
| --- | --- | --- | --- | --- |
| Cappella SAR（50cm） | 基于强度的特征 | 4次地震 | RFB | 二分类 | 在泛化场景下准确率为53-72%，在局部化场景下为70-86%[25] |
| TerraSAR-X（3m） | 基于强度的特征 | 1次地震/海啸 | 决策树 | 三分类 | 在泛化场景下准确率为58.7%，在局部化场景下为67.4%[24] |
| TerraSAR-X（3m）和ALOS PALSAR（10m） | 基于强度的特征 | 1次地震/海啸 | 支持向量机 | 二分类 | 在局部化场景下的宏观F1分数为0.78[26] |
| TerraSAR-X（3m） | 强度 | 1次地震/海啸 | CNN | 三分类 | 在局部化场景下的宏观F1分数为74.6%[35] |
| 多个SAR和光学 | 6次地震、2次海啸、1次台风 | CNN | 三分类 | 在所有灾害事件中随机训练/测试分割时，宏观F1分数为0.25[36] |
| ALOS-2 PALSAR-2（10m） | 基于强度的特征 | 1次地震 | K最近邻 | 二分类 | 在局部化场景下的准确率为62.2%[37] |
| Envisat ASAR（20m） | 基于强度的特征 | 1次地震 | 文本分析、PCA和二值阈值 | 二分类 | 在局部化场景下的准确率为82.9%[38] |
| Sentinel 1 IW（5x20m）和Sentinel 2光学（20m） | 基于强度的特征 | 1次地震 | RF | 三分类 | 在局部化场景下的准确率为62%[39] |
| Sentinel-1 IW（5x20m） | 相干性衍生的损失代理图 | 4次地震 | RFB | 二分类 | 在局部化场景下的宏观F1分数为0.47-0.79[40] |
| Sentinel-1 IW（5x20m） | 相干性衍生的损失代理图 | 1次火灾 | 多分类 | 在局部化场景下，住宅建筑的宏观F1分数为0.91，商业建筑的宏观F1分数为0.77[23] |
| Sentinel-1 IW（5x20m） | 相干性衍生的损失代理图 | 1次飓风 | 因果贝叶斯网络 | 在局部化场景下的曲线下面积为0.76[41] |
| 多个SAR和光学 | 基于强度和相干性的特征 | 1次地震/海啸 | RF、旋转森林、CCF | 四分类 | 在局部化场景下的准确率为86.54%，但类别不平衡，平均准确率为45.57%[42] |
| 分别测试Sentinel 2 IW（5x20m）和ALOS-2 PALSAR-2（10m） | 基于强度和相干性的特征 | 1次地震 | 线性判别函数 | 在局部化场景下的准确率为84%[22] |
| Sentinel-1 IW（5x20m） | 基于强度和相干性的特征 | 2次地震 | 人工神经网络 | 在局部化场景下，完整建筑的准确率为58-69%，受损建筑的准确率为78-95%[20] |
| Sentinel-1 IW（5x20m） | 基于强度和相干性的特征 | 1次地震 | 最大似然和马氏距离 | 在局部化测试场景下的准确率为77.08[21] |

2.3 数据驱动建模方法
如表1所示，先前的工作表明ML从SAR中提取损失信息具有明显潜力，但证据有限，且偏向于使用高分辨率传感器，通常依赖于辅助数据。对于相对高分辨率的SAR，通常使用事件前后的强度与分类器结合，例如决策树[24]和支持向量机[26]。也有尝试仅使用事件后的强度图像，使用卷积神经网络（CNN）[35]和随机森林[25]在VHR Capella SAR强度图像上取得了合理的性能（准确率为53-86%）。通过将SAR DPM与建筑物属性（如年龄、结构细节和地理坐标）相结合，取得了令人印象深刻的效果（住宅建筑的二元F1分数为92.7% [23]），而使用物理危险数据（包括USGS Shakemaps [40]）和环境变量（如风速和洪水深度 [41]）时，性能则有所不同。多传感器融合和/或使用辅助数据源的主要限制是必须等待其他输入数据的收集或生成，这可能会导致显著的延迟，并削弱SAR的优势。很少有例子利用中等分辨率的SAR而不进行多传感器融合或辅助数据与机器学习结合来分类损坏情况。仅基于强度的纹理分析结果参差不齐，从相对较差（总体准确率为62.2% [37]）到令人印象深刻的表现（二元F1分数为82.9% [38]）都有。多项研究同时利用了强度和相干性特征，实现了77-84%的总体准确率 [20]、[21]、[22]。这些研究发现，从3x3到19x19不等的大窗口尺寸计算出的纹理特征对于建筑物级别的损坏检测非常重要 [20]、[21]，其中关键特征包括强度数据的均匀性和差异性，以及相干性数据的平均值 [21]。

2.4. 模型可转移性和鲁棒性能评估的重要性
为了使损伤评估算法有用，该算法必须能够应用于训练数据之外的新灾难场景。因此，应使用与训练数据中的事件完全不同的灾难事件来计算准确率统计 [19]。用于模型验证和误差计算的数据应独立于训练数据，通常通过将数据随机分为训练集和测试集来实现这一点。然而，对于空间数据来说，这种方法通常会低估采样区域之外的预测误差 [44]。Ploton等人 [45] 发现，与随机分割相比，使用空间分割的验证方法时几乎所有的预测能力都会丧失，这表明模型的预测能力主要依赖于输入数据集中的局部空间自相关性。这特别令人担忧，例如Xie等人的研究 [23]，其中地理坐标是输入参数，且没有使用空间验证技术，因此模型实际上可能只是在学习插值。对于灾难评估算法而言，测试中的鲁棒性更为重要，因为该算法还需要适应不同规模和类型的灾难事件，以及不同的地形和城市环境。被破坏结构的干涉测量和后向散射特性可能会根据环境的变化而显著变化，如图1所示。

大多数回顾的模型未能测试其可转移性，而那些进行了测试的模型也遭受了显著的性能损失。Gokon等人 [24] 使用2011年东日本地震和海啸后的TerraSAR-X强度数据和决策树对建筑物损坏进行了分类，实现了67.4%的合理准确率（三类分类），但当模型转移到新区域时，准确率降至58.7%。Wieland、Liu和Yamazaki [26] 选择了同一事件，但使用了TerraSAR-X和ALOS PALSAR的强度图像（事件前后），通过支持向量机进行了“变化”和“无变化”的二元分类任务，获得了85%的宏观F1分数。然而，当在训练数据的局部子集上训练以测试可转移性时，分数降至78%，并且最佳特征数量也发生了变化。Macchiarulo等人 [25] 使用事件后的Capella强度图像和RF对一系列地震事件进行了研究，通过基于事件的交叉验证彻底测试了模型的可转移性和适用性。该模型在个别案例研究中的二元准确率在73%到86%之间，但在领域外测试时，总体准确率降至53%，仅比随机方法略有提高，最高准确率为72%。值得注意的是，中等分辨率干涉SAR的可转移性尚未针对未见过的灾难事件进行测试。

类别不平衡也可能导致误导性的准确率统计和较差的模型性能。Adriano等人 [42] 使用典型相关森林（Canonical Correlation Forests CCF）实现了86.54%的总体四类准确率，但Palu数据集存在严重的类别不平衡，“无损坏”类别的生产者准确率为99.28%，而损坏类别的生产者准确率从6.66%（轻微损坏）到47.62%（完全损坏）不等，所有类别的平均准确率为45.57%。Rao等人 [40] 对2015年Gorka地震取得了合理的结果，总体二元准确率为89%，宏观平均准确率为79%，但2020年波多黎各和2020年萨格勒布地震的结果非常差，“损坏”类别的F1分数分别为0.01和0.11。前者在测试集中有185,468栋未损坏的建筑物，而后者只有125栋损坏的建筑物，不平衡程度类似但较轻。应使用如宏观F1分数或Kappa分数这样的损伤指标来评估模型准确性，因为它们对类别不平衡更为敏感。

3. 方法
本研究采用了随机森林（RF）分类器，从Sentinel-1 SAR数据中检测建筑物损坏情况，涵盖了地震、野火、飓风、海啸和火山爆发等多种灾难类型，并评估了在不同可转移性测试场景下模型性能的变化。地面真实建筑物损坏标签来自xBD数据集和Copernicus应急管理服务。Sentinel-1的SAR数据经过预处理，提取了相干性和强度等特征以及派生的图像纹理指标。应用了三种测试场景：参考场景、全球场景和特定于野火的场景。使用总体准确率（OA）和宏观F1分数来评估模型性能，以解决损坏建筑物和未损坏建筑物之间的类别不平衡问题，并使用精确度-召回率曲线下面积（PR-AUC）来理解模型的区分能力。后续部分提供了关于灾难类型和研究区域、地面真实数据集选择、SAR图像处理方法、测试场景、机器学习算法实现和模型评估的更多细节。

3.1. 灾难类型和研究区域
选择了图中显示的十一个灾难事件用于模型训练和评估。这些灾难事件来自不同的地理背景，包括三个大陆上的八个不同国家，从而能够测试模型在不同自然和建筑环境背景下的可转移性和适应性。

3.2. 数据集
3.2.1. 地面真实建筑物损坏标签
3.2.1.1. 地面真实数据集选择
地面真实数据来自xBD数据集 [46] 和Copernicus应急管理服务（CEMS）快速制图档案 [12]。xBD数据集由美国国防创新单位制作，最初是为VHR光学卫星图像机器学习挑战设计的，但其标签已作为开放数据提供，附带地理参考信息，可供其他用途使用。xBD数据集已经得到了包括加州空军国民警卫队和美国联邦应急管理署在内的多位专家的审查，可以认为是一个非常可靠的地面真实建筑物损坏评估来源，估计误差率低于2-3% [46]。CEMS快速制图档案由欧盟的一个项目制作，是为活跃的灾难响应发布的损坏等级产品，从非常高分辨率的光学卫星图像手动数字化，估计的主题准确率为85% [47]，并作为开放数据发布 [12]。从这两个来源共收集了205,731个地面真实建筑物多边形。

3.2.2. 建筑物多边形
来自CEMS的多边形包括来自OpenStreetMap等全球可用数据集的多边形，这意味着在实际应用中，所需的建筑物轮廓可以直接从OpenStreetMap或其他可用数据集（如Microsoft Building Dataset [48]）获取，无需预处理。

3.2.1.2. 标签分类
建筑物损坏等级被重新分类为“损坏”，表示墙壁、屋顶或整个建筑物的部分或完全倒塌，或“未损坏”，表示轻微的缺失元素、裂缝或完全未受影响的建筑物。根据xBD数据集和Copernicus产品的相应损坏等级和视觉分析，输入数据集按照下表2进行了对齐。

3.2.2. SAR数据
3.2.2.1. SAR图像选择和获取
对于每个灾难事件，获取了三个（两个事件前，一个事件后）最新的Sentinel-1干涉测量宽幅单视复合（SLC）图像，这些图像具有VV和VH极化，并覆盖了灾难区域，数据来自Alaska Satellite Facility [49]。尽管获取间隔通常均匀地为6天或12天，但实际情况并非总是如此，如表3所示。这种获取间隔的变化被认为是可接受的，因为它反映了实际灾难发生时可能存在的真实获取一致性和频率。

3.2.2.2. SAR图像预处理
对于每个灾难事件，从三个SLC图像中提取了12个主要特征。这些特征包括表4中描述的六个指标，VV和VH极化都重复提取。

3.3. 方法
本研究采用了随机森林（RF）分类器，从Sentinel-1 SAR数据中检测建筑物损坏情况，涵盖了地震、野火、飓风、海啸和火山爆发等多种灾难类型，并评估了在不同可转移性测试场景下模型性能的变化。地面真实建筑物损坏标签来自xBD数据集和Copernicus应急管理服务。Sentinel-1的SAR数据经过预处理，提取了相干性和强度等特征以及派生的图像纹理指标。应用了三种测试场景：参考场景、全球场景和特定于野火的场景。使用总体准确率（OA）和宏观F1分数来评估模型性能，以解决损坏建筑物和未损坏建筑物之间的类别不平衡问题，并使用精确度-召回率曲线下面积（PR-AUC）来理解模型的区分能力。后续部分提供了关于灾难类型和研究区域、地面真实数据集选择、SAR图像处理方法、机器学习算法实现和模型评估的更多细节。时间线展示了SAR图像捕获和主要相干性特征处理的工作流程，以及VV极化下圣罗莎野火区域的特征示例。下载：下载高分辨率图像（812KB）下载：下载全尺寸图像

图5. 时间线展示了SAR图像捕获和主要强度特征处理的工作流程，以及圣罗莎野火区域的主要强度特征。对于事件前后的图像对，使用3 x 10（方位角 x 范围）窗口计算相干性，结果转换为方形像素，并减去地形相位，使用了Shuttle-Radar-Topography-Mission（SRTM）1秒数字高程模型（DEM）。然后使用相同的DEM和双线性插值对相干性图像进行去噪和地形校正。每个灾害事件的处理都使用相关的通用横轴墨卡托（UTM）（WGS84）区域完成，最终得到大约14米的像素大小。通过直方图匹配将事件前的相干性与事件后的相干性进行校准，以确保两个图像像素值具有相似的统计特性，从而减少相干性差异的偏差，提高信噪比[29]。接着，从事件后的相干性中减去事件前的相干性，得到经过直方图匹配的相干性差异。

在强度处理中，最新的事件前和事件后的SLC图像使用TopSAR Split和轨道文件细化到研究区域，并校准到Sigma零，以表示地面区域的后向散射系数[51]。然后对图像进行去噪，并在1 x 3（方位角 x 范围）下转换为方形像素。结果转换为分贝测量值，并使用SRTM DEM进行地形校正，得到大约14米的方形像素。强度结果使用GDAL和Lanczos插值与相干性结果对齐，通过从事件后的强度中减去事件前的强度来计算强度差异。

3.2.2.3. SAR图像纹理特征提取和标记数据采样
使用SNAP，对于12个主要特征中的每一个，使用GLCM均值、差异性和均匀性提取纹理特征，窗口大小为5 x 5（相当于大约350平方米的面积）。选择较小的窗口大小是为了最小化平滑效果，并尽可能保持建筑物级别的细节，同时仍能有效分析图像纹理特征。

使用通过Python实现的地理空间数据抽象库（GDAL）[52]，对于每个建筑物多边形，从所有主要特征和纹理特征中采样所有相交像素的平均值，这些平均值可用于预测损坏情况。多边形面积也在局部UTM区域投影中计算，作为输入特征。

3.3. 测试场景
使用了三种不同的测试场景来评估模型的泛化能力，具体如下所述。

3.3.1. 参考场景
参考场景作为先前算法在域内测试场景下的理想基线。对于每个灾害事件，标记数据被随机分为80%的训练数据和20%的测试数据。然后为每个灾害事件构建并评估模型。这代表了模型在相同灾害事件的本地数据上进行了训练和测试的情况，这是最有利的条件，但不代表现实世界的泛化要求。

3.3.2. 全局场景
全局场景评估在没有特定事件训练数据的情况下的跨事件泛化能力。使用基于事件的“留一法”交叉验证训练/测试分割方法，如图7所示，对于每个灾害事件，算法在所有其他灾害事件的数据上进行训练，然后在被留出的灾害事件上进行测试。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像
图6. 应用于圣罗莎野火事件的直方图匹配相干性差异的纹理特征提取示例。下载：下载高分辨率图像（76KB）下载：下载全尺寸图像
图7. 图表显示了基于灾害事件的留一法交叉验证，其中算法在所有其他灾害事件的数据上进行训练，然后在被留出的事件上进行测试。这代表了一种模型，仿佛它在灾害发生后立即应用于绘制建筑物损坏情况，而无法访问该特定事件的任何本地训练数据。全局场景特别评估了模型利用所有可用历史灾害数据来最大化训练样本的情况，尽管来自不同灾害类型的训练可能会引入不同损坏机制之间的冲突信号。

3.3.3. 野火特定场景
野火特定场景评估了野火特定模型相对于多灾害模型的泛化能力。它采用“留一法”交叉验证训练/测试分割方法，但模型仅在野火灾害事件上进行训练和测试。这代表了一种特定于野火的模型，仿佛它在灾害发生后立即应用于绘制建筑物损坏情况，而无法访问该特定事件的任何本地训练数据。选择野火作为此场景的原因是，真实损坏标签中有四个灾害事件，使得可以使用“留一法”测试。

3.4. 机器学习模型选择和实现
由于随机森林（RF）分类器的计算效率高、性能竞争力强，并且能够稳健处理高维数据[53]，因此选择了它。RF在SAR损伤映射文献中也得到了广泛应用[23]、[25]、[39]、[40]、[42]，并且提供了特征可解释性指标[54]，允许在不同场景下解释和比较模型机制，而深度学习方法（如CNN）在SAR损伤映射中的测试较少，且模型透明度较低。使用了Scikit-Learn实现的随机森林分类器[55]，设置了100个估计器，每个叶节点的最小样本数为5，以限制模型过拟合。分类阈值设为0.5。每个测试场景使用相同的机器学习模型参数，以便模型性能差异仅由不同的训练/测试分割场景本身引起。

由于灾害场景中“受损”和“未受损”类别的显著不平衡，将类别权重参数设置为“平衡”。这意味着用于训练模型的每个样本的权重与训练数据集中的类别频率成反比[55]。

3.5. 模型性能和评估指标
对于每个测试场景，使用总体准确率（OA）、宏观平均F1分数（Macro F1 Score）和精确度-召回率曲线下面积（PR AUC）来评估每个单独灾害事件的分类性能。这些在下面的公式1、2和3中描述，其中TP表示真正例，FP表示假正例，FN表示假负例。
(1) OverallAccuracy = 正确分类的样本数 / 总样本数
(2) MacroF1 = (F1_未受损 + F1_受损) / (2 × 精确度 + 召回率)
(3) PR AUC = ∫0^1 P(r) dr，其中P是精确度，r是召回率。
虽然OA易于解释，但在类别分布不平衡时，它成为一个不可靠的性能指标[54]。Macro F1分数在类别分布严重不平衡的数据集中是一个更可靠的分类性能指标，对每个类别给予平衡的权重，无论其出现次数如何[53]，因此能够无偏地表示每个类别的分类性能。PR AUC用于评估模型在区分正类和负类方面的性能，不受决策阈值的影响，并且在类别不平衡的情况下也是可靠的[57]，通过Scikit-Learn中的梯形规则实现。

特征重要性使用Gini和Shapley Additive Importance（SHAP）进行评估，通过Scikit-Learn和SHAP Python包实现。在Gini方法中，特征根据其在整个随机森林中区分类别的性能获得相对重要性排名[58]。SHAP重要性值通过计算每个特征对预测值从基线值变化的贡献来提供特征重要性分数[59]。由于训练数据集规模较大，每个模型随机抽取1,000个特征进行SHAP重要性计算。Gini和SHAP重要性使用最小-最大归一化方法标准化到0（最不重要）到1（最重要）之间进行比较。

4. 结果
4.1. 场景1和2（参考场景和全局场景）
在两种测试场景中，模型性能通过Macro F1分数显示出来，全球场景和参考场景的范围分别为0.31和0.37。虽然两种场景的OA通常都很高，但Macro F1分数通常较低。如图8所示，从参考测试场景到全局测试场景，准确率和F1 Macro分数的分布都下降了。报告的指标基于第3.4节中选择的分类阈值（0.5）。

图8. 盒形图比较了参考场景（在同一灾害事件上随机分割训练和测试）和全局场景（基于事件的交叉验证以评估泛化能力）的Macro F1分数和OA分数。盒子代表第25到75百分位数，中线标记中位数， whiskers表示范围，排除了超出Q1-1.5IQR和Q3+1.5IQR（四分位数范围）的异常值。
参考场景和全局场景之间的分布差异在Macro F1分数上非常明显，中位数F1 Macro分数从0.68下降到0.54。参考场景的中位数准确率为0.94，而全局场景中降至0.87。参考场景的Macro F1分数变化更大，四分位数范围为0.21，而全局场景为0.12。参考场景中有一个准确率异常值——圣马丁飓风，准确率为71%，尽管这仍然高于全球场景中的最低准确率62%，后者也是圣马丁飓风，但在全球场景中飓风迈克尔的准确率为66%，尽管在参考场景中的准确率为88%。

对于几个灾害事件（特别是意大利中部地震、飓风迈克尔和葡萄牙野火），算法的性能通过F1 Macro分数测量几乎与随机分类器相当（分别为0.56、0.53和0.58），如图9所示。意大利中部地震、葡萄牙野火和墨西哥城地震的Macro F1分数和准确率之间也存在较大差异，如图10所示，这些类别之间存在较大不平衡。详细的每类性能指标，包括F1分数、精确度和召回率，在补充材料表S2和S3中提供。

图9. 杠铃图显示了参考场景和全球场景中每个单独灾害事件的PR AUC（左）Macro F1分数（中）和总体准确率（右）。
图10. 比较了参考场景（左）和全局场景（右）中每场景中被分类为受损或未受损的建筑物的比例，上图为真实情况，下图为预测结果。
所有灾害场景在从参考场景到全局场景的转换中性能都有所下降，除了葡萄牙野火，其准确率提高了0.003，但Macro F1和PR AUC都下降了。圣马丁飓风、危地马拉火山和圣罗莎野火的F1 Macro分数都有显著下降（分别为0.27、0.25和0.25），其中圣马丁飓风的性能甚至低于随机分类器。墨西哥城地震在参考场景中的准确率非常高（99.89%），但在全球场景中仅为0.58。墨西哥城地震在参考场景中的准确率几乎完美，但在全球场景中仅为0.58。墨西哥城地震、意大利中部地震和巽他海啸的所有场景的PR AUC都接近0，模型几乎完全无法区分类别，尽管在参考场景中的性能尚可。然而，阿马特里切地震和伍尔西野火的性能仍然合理，Macro F1分数分别为0.71和0.72。

算法的整体性能不一致且变化较大，一些灾害事件的性能显示出潜力，但在类别严重不平衡的灾害事件中，算法性能与随机分类器相当。当从局部（参考）场景过渡到全球可转移性场景时，性能通常会下降，这突显了模型泛化的困难，在某些情况下性能下降明显。对于每个灾害场景，预测的受损建筑物比例与参考场景中的实际受损建筑物比例基本一致。然而，在全球场景中，预测的损坏率与实际损坏比例的对齐度较低，导致了对损坏情况的严重高估和低估。以圣马丁飓风为例，只有1.95%的建筑物被预测为受损，而实际受损比例为38.35%。相反，在墨西哥城地震的情况下，有7.31%的建筑物被预测为受损，而实际受损比例仅为0.11%。在参考场景中，不同灾害事件的最重要特征在Gini指数和SHAP重要性方面存在显著差异，但在全球场景中这些特征的对齐度更高。总体而言，SHAP和Gini重要性较为一致，尽管存在细微差异，但特征在灾害事件之间的排名基本保持一致。在参考场景和全球场景中，最重要的特征通常是共事件一致性或其衍生特征，而最不重要的特征通常是GLCM差异性和同质性纹理特征，但在参考场景中情况并非总是如此。有关全球场景和参考场景中特征重要性的更多信息，请参见图S1和S2。

在图11中的阿马特雷地震案例中，以及图S5中的野火灾害案例（在较小程度上），预测的损坏分布与实际损坏分布大致相同，尽管存在一些局部不准确性和预测过高或过低的情况。

在图11中，阿马特雷地震的地面真实损坏分布（左）和全球场景下的预测损坏分布（右）的地图。附录A中包含了代表性的SAR图像和模型预测示例，其他灾害事件的更大图示则包含在补充材料中。

对于其他灾害事件，例如图12中的迈克尔飓风，预测和实际损坏分布之间的相似度很低，同时存在广泛的低估和高估情况。

在图12中，迈克尔飓风的地面真实损坏分布（左）和全球场景下的预测损坏分布（右）的地图。附录A中包含了代表性的SAR图像和模型预测示例，其他灾害事件的更大图示则包含在补充材料中。

在图13中，哑铃图显示了每个单独灾害事件的全球场景和火灾特定场景的PR AUC（左）、Macro F1分数（中）和总体准确率（右）的比较。

在参考场景中，预测的损坏比例与实际损坏比例基本一致，而全球场景则表现出显著的高估和低估。在参考场景中，不同灾害事件的特征重要性有所不同，但在全球场景下变得更加一致，共事件一致性成为关键预测因子。在全球场景下，一些灾害事件的预测损坏分布保持了空间一致性，而其他事件则与实际损坏情况对齐度较差。

4.2. 场景3（火灾特定场景）
在比较全球场景和火灾特定场景下的野火灾害事件时，Macro F1分数通常有所提高，尽管在Pinery野火事件中这一情况并不明显（从全球场景的0.60降至火灾特定场景的0.58）。Woolsey和Portugal野火事件的Macro F1分数略有提高，而Santa Rosa野火的Macro F1分数分别提高了0.02、0.05和0.22。Santa Rosa野火事件中的算法在火灾特定场景下表现非常出色，达到了0.87的Macro F1分数和0.90的准确率。Portugal野火的准确率也达到了0.96%，但F1分数较低，为0.58，这是由于类别不平衡造成的。与全球场景相比，火灾特定场景下的PR AUC在所有灾害事件中都有所提高，这意味着火灾特定模型在区分受损和未受损建筑物方面表现更好。火灾特定测试场景下的平均Macro F1分数为0.69，而全球场景下的分数分别为0.63。

虽然F1分数有所提高，但准确率普遍下降，从全球场景的0.86、0.77和0.98分别降至火灾特定场景的0.81、0.75和0.96。然而，在Santa Rosa火灾案例中，准确率从0.80显著提高到0.90。详细的分类性能指标见补充材料表S3和S4。

在全球场景下，预测的受损建筑物比例普遍被低估，分别为Portugal、Santa Rosa和Woolsey野火的0.41%、7.68%和25.66%，而实际比例分别为2.21%、27.00%和29.32%。火灾特定场景下，这些比例分别为3.11%、24.53%和45.42%，前两个案例分别提高了0.90%和16.85%，但在Woolsey野火案例中则高估了16.11%，比全球模型差12.45%。在Pinery灌木丛火灾中，全球场景下的损坏被高估了6.46%，而火灾特定场景下的损坏被高估了13.68%，高于实际比例6.03%。

在火灾特定场景下，少数特征占据了Gini指数和SHAP重要性的主导地位。只有四个特征的重要性超过了0.4的标准化阈值，而在全球场景中这一数字为11，表明模型更依赖于较少的预测因子。大部分重要性来自共事件一致性均值、共事件一致性均值和一致性差异均值，以及两种极化的差异性。基于一致性和强度特征的差异性和同质性纹理特征的重要性通常很低，尽管也有一些例外。有关火灾特定场景中特征重要性的更多信息，请参见图S3。

在图15中的Santa Rosa火灾案例以及图S14中的Woolsey野火案例中，火灾特定场景下预测的损坏分布与实际损坏分布基本一致，大多数预测的损坏与实际损坏位置相符，尽管仍有少量预测的损坏位置偏离实际位置。这比全球场景有了显著改进，在全球场景中预测的损坏位置虽然大致正确，但被严重低估。

在图14中，堆叠条形图显示了每个场景中分类为受损或未受损的建筑物的比例，比较了全球场景（左）和火灾特定场景（右）下的实际情况（上）和预测情况（下）。

在图15中，Santa Rosa野火的地面真实损坏分布（左）和全球场景（中）及火灾特定场景（右）下的预测损坏分布的地图。附录A中包含了代表性的SAR图像和模型预测示例，其他灾害事件的更大图示则包含在补充材料中。

在图16和图S11中的Portugal野火和Pinery灌木丛火灾案例中，损坏主要分布在分散的小建筑物上，而较大的建筑物群受影响较小，这一点在全球场景和参考场景中都有体现，尽管Macro F1分数较低。然而，在图S10中，火灾特定场景下的高估现象很明显，大量建筑物被预测为受损而非未受损。

总体而言，火灾特定场景的表现较为令人满意，与全球场景相比Macro F1分数有所提高，尽管这种提高并非在所有灾害事件中都一致。所有事件的PR AUC都有所提高，表明所有模型都能更好地区分不同类别，但在某些情况下Macro-F1分数没有提高，这是由于分类阈值不够理想。Santa Rosa火灾案例的性能提升尤为显著。虽然火灾特定模型在估计受损建筑物比例方面表现更好，但在除一个案例外的所有火灾案例中都出现了高估现象。在火灾特定场景下，特征重要性更加集中，共事件一致性和一致性差异成为关键预测因子。火灾特定场景下的损坏空间分布也有改善，但仍存在局部不准确性和高估情况。

5. 讨论
本研究评估了中等分辨率SAR机器学习模型在自然灾害后绘制建筑物损坏地图的可转移性。通过使用三种测试场景，可以测试模型在不同灾害类型和地理环境组合下的适应性，从而了解模型在现实世界场景中的表现。具体而言，研究目标是确定模型在泛化到未见过的灾害事件时的性能下降程度，并评估特定灾害类型的模型是否优于通用灾害模型。在全局测试场景中应用现实的转移性测试方案后，模型性能显著下降，中位数Macro F1分数、PR-AUC和OA分别下降了20.6%、42.9%和7.5%。这表明之前未测试转移性的研究可能对其性能报告过于乐观。这可能是由于Ploton等人[45]指出的问题，即参考场景中的训练集和测试集没有进行空间分割，算法的预测能力实际上是由于局部空间自相关性。测试场景之间的性能下降与之前使用更高分辨率SAR强度评估转移性的研究[24]、[25]、[26]的结果一致。这些研究通常在同一地理区域内评估了相同灾害事件或灾害类型的局部模型转移性。全局场景要求模型适应不同的建筑物特征、地理和环境条件，这可能降低了模型对损坏的分类能力，以及不同灾害事件和特定灾害类型的特征和严重程度的差异。

为了将这些转移性发现置于更广泛的背景下，我们的参考模型测试场景性能与之前的基于一致性和强度的机器学习研究相当。参考场景中表现最好的灾害事件Santa Rosa火灾（F1分数为0.90）与Xie等人[23]的研究结果相当，他们关注的是同一美国州和年份的Camp Fire，针对住宅建筑获得了0.93的F1分数，而针对商业建筑仅为0.77。其他性能差异与Rao等人[40]的报告一致，其中类别不平衡可能导致模型性能接近随机，而更平衡的分类获得了较高的Macro F1分数，范围从0.47到0.79。我们的参考场景模型超过了Akhmadiya等人[21]（OA为77%）和Karimzadeh与Mastuoka[22]（OA分别为84%）在阿马特雷地震中的性能，尽管我们承认这两项研究的调查范围和损坏类型分类并不完全相同。

在这项研究中，火灾特定模型的表现优于通用灾害模型。这表明SAR传感器所观察到的损坏特征在野火和其他灾害类型之间存在差异。这是意料之中的，因为不同类型的灾害对基础设施的影响不同。在火灾特定场景下，少数特征占据了灾害事件中重要性的主导地位，如图S3所示。只有四个特征的重要性阈值超过了0.4，而在全球场景中这一数字为11，这表明对较少一部分预测因子的依赖性更强。这反映了相对重要性分布的变化，而不是整体预测能力的差异——鉴于更集中的建模背景，这种模式是预期之中的。此外，在特定于火灾的场景中，从较大窗口计算出的连贯性和相关特征更为重要，而在全球场景中，强度差异特征相对更为重要。由于野火本身导致的烧伤痕迹和植被结构的变化可能会显著增加损害的范围和信号，Sentinel-1 SAR在绘制烧毁区域方面表现出了令人印象深刻的能力[60]，[61]，尽管烧伤痕迹也可能混淆建筑物结构损坏的信号，从而导致误报。特定于火灾的场景表现优于Nitsche等人[62]的研究结果，他们发现使用高分辨率光学图像时，针对洪水的模型比通用模型表现更好。这一发现仅基于四个野火灾害事件，因此应进行进一步研究，以调查具有更大样本量的灾害类型特定模型。建筑物损坏分类的模型性能不一致可能归因于Sentinel-1传感器在干涉宽幅模式下的空间分辨率。如图A1、A2和S4至S14所示，当建筑物损坏在空间上聚集在一起时，模型性能通常最好。相比之下，在飓风迈克尔、墨西哥城地震和松林大火中，建筑物损坏是孤立的，受损建筑物周围往往有未受影响的建筑物。当损坏聚集时，损坏信号可能足够强，可以克服空间分辨率的限制。Natsuaki等人[31]指出了连贯性计算所使用的窗口大小，根据地面几何形状和入射角，该窗口大小大约为20到40平方米。由于像素大小约为14米，单个建筑物可能小于一个像素，使得孤立损坏特别难以检测。因此，模型预测可能反映的是邻里范围内的变化，而不是单个建筑物的损坏情况。小范围、孤立的损坏区域更有可能被模型遗漏，这可能会延迟灾害响应并导致对损坏分布的误解。使用更高分辨率的传感器（如TerraSAR-X/Tandem-X或商业ICEYE或Capella传感器），这些传感器能够捕捉干涉连贯性计算所需的相位信息，从而可能克服这一限制。

一个模型性能不佳的典型例子是圣马丁飓风，在参考场景中其准确性较低，在全球场景中的宏观F1分数最低（0.40）。这种低性能可能是由于圣马丁岛的独特地理特征造成的，该岛是唯一被研究的岛屿，且损坏率异常高（38%）。飓风迈克尔在参考和全球可转移性场景中的性能也较低，这是本研究中唯一其他被审查的飓风事件，表明由于风暴引起的损坏特性，使用SAR进行映射可能较为困难。此外，地面真实数据中的标签不确定性（特别是在Copernicus EMS数据集中，报告的开放性为85%）也可能导致某些情况下性能下降。

几个关键限制因素制约了对本研究结果的解读。除了Sentinel-1在单个建筑物级别的噪声和损坏分辨率方面的技术限制外，还有值得注意的研究设计方面的限制。研究的事件数量（n=11）相对较少，无法捕捉全球地理和灾害特征的多样性。由于地面真实数据集来自两个来源，其中“损坏”的定义略有不同，这些损坏定义的解释或应用可能因灾害类型而异，因此跨事件的比较和概括应谨慎解读。报告的性能指标取决于选定的阈值，模型输出对应于未经校准的RF类别分数。这些模型输出分数不应被解释为概率值，在用于直接操作决策之前需要校准。此外，虽然使用随机森林和手动提取的SAR特征作为基线可以评估可转移性，但观察到的可转移性限制及其相关的性能下降是否同样适用于更复杂的模型类型仍有待测试。

本研究及以往关于基于连贯性和强度的损伤映射的研究的一个限制是作为基线的时间序列长度，通常使用三张图像，覆盖18到32天的时间。Dietrich等人（2024年）利用三个月的时间序列强度数据来绘制乌克兰战争的损坏情况，在测试其可转移性到其他地区时，获得了0.71的宏观平均F1分数。将更长的连贯性时间序列纳入模型预测以及强度数据可以建立更好的自然变化基线，从而可能提高模型性能，但这可能会导致更长的处理时间，从而延迟灾害响应。需要进行成本效益分析，研究更长基线带来的性能提升和处理延迟，以确定是否值得采用更长的基线。另一个改进方法是增加模型预测的特征数量。后向散射特性不仅受目标形状和粗糙度的影响，还受介电特性的影响，后者受土壤湿度等因素的显著影响[64]，而土壤湿度可以通过Sentinel-1后向散射进行映射[65]。通过纳入土壤湿度数据，特别是当转移到具有不同环境特征的地区时，损伤映射算法可能会得到改进。鉴于连贯性对植被的敏感性[15]，纳入归一化植被指数产品也可能提升分类器的结果。Rao等人[40]测试的建筑物层数等其他信息也可能提高性能。深度学习算法作为传统机器学习方法的替代方案越来越受欢迎，卷积神经网络（CNN）的表现始终优于传统算法[66]。CNN的主要优势在于自动特征提取，它能够自动提取输入图像中最重要的特征[67]。CNN不是以单个像素值为输入，而是考虑图像中的上下文信息来产生结果[68]。这对于使用SAR图像进行损伤检测非常有价值，因为从SAR图像中手动提取的关键纹理特征依赖于上下文空间信息。SAR干涉测量与CNN的结合相对较少被探索[18]。虽然有一些使用SAR连贯性和强度进行洪水映射的努力[69]、[70]，但只有一项研究将CNN应用于SAR损伤检测。Xie等人[23]在2018年Camp Fire事件中测试了CNN，其性能仅略低于GBM。因此，应进行一项比较研究，利用更大、更多样化的数据集来评估CNN在中分辨率SAR损伤映射中的适用性。

**结论**
本研究评估了使用机器学习进行基于连贯性和强度的SAR建筑物损伤映射的可转移性，使用了来自11种不同灾害事件的205,731栋建筑物的大型地面真实数据集。迄今为止，文献中关于这一主题的发表内容很少。本研究揭示了关于模型性能和可转移性的几个重要见解。研究发现，当随机森林模型应用于不同地理、环境和城市背景以及各种灾害类型的未见过的灾害事件时，性能显著下降。这一发现表明，在没有严格评估模型可转移性的研究中，对SAR机器学习模型的早期评估可能过于乐观。虽然尚无直接比较证据表明类似性能下降是否也适用于更复杂的模型类别（如具有学习到的特征表示的深度学习架构），但观察到的性能下降突显了在真实世界应用中测试算法超出其训练背景的必要性。此外，研究发现，在野火情况下，针对特定灾害类型训练的模型优于通用模型。这表明野火的建筑物损坏特征与其他评估的灾害类型不同，专注于某一灾害类型的模型可能会超过来自其他灾害类型的额外训练数据的价值，但这尚未在野火以外的情况得到验证。总体而言，算法的性能过于不稳定，不足以有效进行建筑物级别的损伤映射以支持灾害响应。然而，对于某些灾害事件，研究结果仍有一些积极成果，特别是在特定于火灾的场景中表现出了相当大的潜力。未来的研究应侧重于增加使用的灾害事件数量，以确保结果的稳健性，并进一步测试针对特定灾害类型和地理区域的上下文特定算法。此外，还应评估和测试深度学习算法的有效性，以及纳入更长的SAR时间序列和辅助数据源以提高模型性能。总之，尽管本研究指出了基于SAR的建筑物损伤映射中的关键挑战和机遇，但也强调了进一步研究的迫切需求。鉴于自然灾害的频率和严重性的增加[71]，提高损伤评估方法的准确性和及时性对于改善全球的灾害响应和恢复工作至关重要。

**作者贡献声明**
James Currie：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化。
Karin Reinke：撰写——审阅与编辑、验证、监督

**未引用的参考文献**
[33]、[34]、[43]、[56]、[63]

**数据可用性声明**
本研究中使用的Copernicus Sentinel-1 SAR数据可从ASF DAAC在线获取。来自xBD数据集和Copernicus应急管理服务的建筑物损坏标签也可在线获取。其他数据可根据请求提供。