基于建筑高度信息阈值判定的快速震后饼式倒塌（Pancake Collapse）检测与制图方法开发：以2024年能登半岛地震为例

《Natural Hazards Research》：Development of a Rapid Post-Earthquake Pancake Collapse Detection and Mapping Method Based on Threshold Determination of Building Height Information: A Case Study of the 2024 Noto Peninsula Earthquake

　　

大规模地震发生后的"信息空白期（Information Gap）"内，快速且定量地评估大范围的震害分布对于优化救援行动至关重要。然而，传统的航空摄影与卫星影像分析在检测"层状倒塌或饼式倒塌（Pancake Collapse）"方面存在困难——此类破坏中首层发生倒塌而屋顶结构保持完整。本研究提出了一种新型建筑损伤评估方法，该方法从车载单目相机影像中估算建筑残留高度，并基于结构阈值进行损伤分类。该方法整合了开放词汇目标检测模型Grounding DINO与单目深度估计模型Depth Anything，以自动计算影像中建筑（木结构与钢筋混凝土结构）及瓦砾区域的物理高度。研究人员在日本石川县四个受2024年能登半岛地震严重影响的地方自治体（珠洲市、轮岛市、七尾市和志贺町）开展了大规模现场试验。调查对象包括多样化的建筑类型，如木结构和钢筋混凝土（Reinforced Concrete, RC）结构。损伤分布从珠洲市和轮岛市的大面积层状倒塌（D5级）到七尾市和志贺町的散点式损伤不等。最终，仅检测出木结构房屋遭受了层状倒塌（D5级）。利用行车影像（211幅图像，303栋建筑）进行分析，针对直接影响可居住空间丧失的"D5（层状倒塌）"类别取得了0.81的F₁分数。这一结果强烈表明，利用侧视角度获取的高度信息进行自动提取具有潜力。尽管该方法在精确区分轻微外部损伤与部分倒塌方面仍存在挑战，但其在灾后初期快速筛选救援优先级最高区域方面可作为有效工具。

本研究聚焦于大规模地震发生后"信息空白期"内快速、准确定量评估建筑损伤的核心需求，旨在解决传统遥感技术难以识别饼式倒塌（Pancake Collapse）的关键瓶颈问题。传统航空摄影与卫星影像分析采用正射投影视角，当建筑首层发生倒塌而屋顶结构保持完整时，极易将此类严重损伤误判为"轻微损伤"或"无损伤"（假阴性，False Negative），导致内部可居住空间完全丧失的灾情被严重低估。与此同时，灾后72小时内的"黄金救援时间窗口"（尤其是首24小时）内，生存率随时间急剧下降，科学合理地分配有限的救援资源成为减灾工作的首要任务。尽管地面智能手机与地面相机影像已被证实对识别裂缝、剥落等细部损伤具有价值，但如何将反映生存空间消失的"高度缩减"量化为物理指标，并在灾后首24小时内实现从单目侧视影像到实时空间数据（地图）的集成，尚缺乏系统性的技术框架。基于此，研究人员以2024年能登半岛地震（2024年1月1日发生）为案例，提出了一种基于车载单目相机地面视角影像的新型损伤评估方法。

研究人员的核心工作包括三个方面：第一，通过整合语义分割与单目深度估计，提出了量化饼式倒塌特征性"高度缩减"的几何方法，弥补了正射投影的技术盲区；第二，引入以标准电线杆为参照物的动态标定算法，解决单目视觉固有的尺度歧义性问题，无需主动传感器即可确保定量可靠性；第三，基于结构工程学标准，以2024年能登半岛地震为案例实证验证了"高度损失"作为"生存空间丧失（D5级损伤）"替代指标的有效性。

在技术方法层面，研究人员主要采用了以下关键技术：研究样本来源于2024年能登半岛地震后石川县四个受灾自治体（珠洲市、轮岛市、七尾市、志贺町）的现场调查数据，涵盖211幅行车影像中检测出的303栋建筑。损伤等级判定依据日本建筑学会（Architectural Institute of Japan, AIJ）标准，以建筑高度信息为核心物理指标：绝对高度阈值（H < 2.7 m）或相对高度变化（ΔH ≥ 2.1 m）。目标检测采用开放词汇检测模型Grounding DINO，通过自然语言提示（"building"、"debris"、"road"、"utility pole"、"person"、"car"）实现灵活的对象识别。单目深度估计采用基础模型Depth Anything，仅从标准相机影像输出相对深度。尺度校正方面，以日本工业标准（JIS A 5373）规定的标准混凝土电线杆（地上有效高度约10.0 m）为参照物，基于针孔相机模型进行动态校准，将像素信息转换为真实空间物理尺寸。地理空间融合方面，利用车辆GNSS（全球导航卫星系统，Global Navigation Satellite System）位置、深度估计距离与方位角，基于球面三角学计算目标建筑经纬度，并与OpenStreetMap建筑多边形进行空间关联。为抑制单帧检测误差与临时遮挡的影响，引入了基于置信度分数的时序投票机制，最终损伤分类采用加权多数表决确定。

研究结果部分，研究人员从图像识别结果、地图精度评估和损伤制图准确性三个方面进行了系统验证。

在图像识别结果方面，研究人员展示了不同条件下的典型识别案例，并构建了D5级与非D5级的预测混淆矩阵。结果显示，系统对D5级倒塌的检测为60例真阳性，非D5误判为D5的有9例假阳性，D5漏检为20例假阴性，非D5正确判定为202例真阴性。

在地图精度评估方面，研究人员从地理位置精度、建筑关联精度和损伤分类精度三个维度进行了评价。地理位置精度方面，在珠洲市城区（道路宽度4–6米、建筑密集区域）的验证表明，水平位置误差epos多数情况下收敛于3.0米以内，能够成功匹配正确的建筑多边形。该误差范围反映了消费级GNSS定位误差（约1–2米）、单目深度估计距离误差及车辆运动导致的俯仰角误差的综合影响，被认为足以满足建筑尺度震害可视化的精度需求。建筑关联精度方面，通过空间连接估计坐标与建筑多边形，并引入时序信息投票机制，有效抑制了密集城区建筑深度方向重叠及行道树临时遮挡导致的属性错配问题，提升了制图结果的稳健性。损伤分类精度方面，研究构建了以D5级完全倒塌评估为主要目标的混淆矩阵，计算得出准确率（Accuracy）为0.904，召回率（Recall）为0.87，精确率（Precision）为0.75，F₁分数为0.81。从各城市预测结果来看，实际D5级比例最高的珠洲市在预测结果中同样显示出最高的D5比例。此外，由于车载相机仅在发生房屋倒塌的区域进行局部行驶调查，各城市的预测损伤比例均高于实际损伤比例，但预测结果未出现低估，表明该方法能够为实际灾害应对提供面向现场的信息支持。

在讨论部分，研究人员首先阐述了该方法的关键优势与创新性。该方法的最大贡献在于实现了传统广域遥感技术难以检测的"饼式倒塌（层状倒塌）"的自动识别。卫星影像与航空摄影的垂直视角虽擅长识别大范围的瓦砾分布，但经常将屋顶结构保持完好而首层已倒塌的建筑误判为"未受损"；而该方法利用车载相机的地面侧视视角，可直接捕捉建筑高度的几何变化。研究结果显示，应用结构高度阈值（H < 2.7 m或ΔH ≥ 2.1 m）能够以高准确度识别从空中难以辨别的D5级倒塌建筑，召回率达到0.87的高值，表明漏检率较低，有效填补了灾后生命救援初期的关键信息空白。

在操作快速性与生命救援适用性方面，研究人员将"快速性"定义为灾后24小时内（T ≤ 24h）提供定量损伤地图的能力。该系统的标准时间线估计为：设备准备约1–2小时（仅需通用行车记录仪与笔记本电脑，无需专业车辆改装）；前往灾区约2–6小时（高机动性车辆，离线工作不受通信中断影响）；观测实施约2–4小时（车速20–30 km/h，20–40公里道路约1–2小时可覆盖）；分析结果获取约1–2小时（可在移动中并行处理，标准移动GPU环境下推理速度约0.5秒/帧）。累计可在灾后约10–14小时内提供包含精确倒塌建筑位置数据的损伤地图，使指挥人员能够在次日晨间搜救行动启动前的简报中，获取基于侧视视角的精确倒塌判定数据，优先部署重型机械与救援队伍至存在饼式倒塌或层状倒塌、生存空间已丧失的场地。

在方法局限性方面，研究人员指出四个主要问题：道路可及性限制，该系统依赖车辆通行，无法应用于道路完全被大型瓦砾或滑坡阻断的区域（如能登半岛地震中的部分孤立村落），此时可能需要采用无人机（Unmanned Aerial Vehicle, UAV）；参照物依赖性，高度估计逻辑假设存在标准电线杆（10米）用于尺度校准，在缺少电线杆或电线杆本身倒塌的山区，估计误差可能增大；传感器质量限制，依赖RGB传感器在夜间或暴雨、降雪等恶劣天气条件下性能显著下降，且车速过快可能因车辆震动导致图像模糊；建筑信息不足，由于使用车载相机，道路后方不可见的建筑或被遮挡建筑被排除在评估之外，且建筑多边形数据不完善或形状不准确的区域识别精度显著下降。

在未来展望与应用潜力方面，研究人员提出将重点推进系统小型化与通用化，以适配摩托车与低空无人机等高度移动平台，与现有车载系统结合构建多模态感知网络，覆盖狭窄道路与阻塞位置，提升灾区态势感知的全面性。此外，随着后视摄像头或360°摄像头的普及，有望捕捉更广域的损伤信息。

研究结论部分指出，本研究提出了一种快速建筑损伤评估方法，以填补大规模地震发生后关键"信息空白期"的需求。通过聚焦于车载单目相机影像估算的建筑几何高度缩减，建立了定量快速检测严重损伤（包括航空视角极难识别的"饼式倒塌"）的工作流程。该方法整合目标检测（Grounding DINO）与深度估计（Depth Anything）计算建筑残留高度，并基于《建筑基准法》定义了"D5（倒塌）"的结构阈值（H < 2.7 m），利用2024年能登半岛地震真实数据验证了其有效性。结果表明，该系统能够以高可靠性对木结构倒塌进行分类：尽管层状倒塌（D5）案例仅限于木结构房屋数据，但实现了召回率0.87、精确率0.75、F₁分数0.81的高精度建筑倒塌检测。该系统具有"高通用性"，仅需通用行车记录仪或智能手机视频数据输入，无需专业测量车辆。虽然本研究受限于以石川县能登半岛地震为案例，但"高度"这一不依赖纹理的结构标准，预期通过调整阈值可同样适用于钢筋混凝土、石材或砖结构建筑。展望未来，建立"参与式感知（Participatory Sensing）"系统——即消防、自卫队、警察乃至普通市民的车辆在灾区行驶过程中自动更新并共享实时损伤地图——被认为对快速损伤评估与COP生成具有重要价值。尽管实际应用仍面临坡地高程修正、电线杆倒塌等异常条件下的标定方法冗余性等技术挑战，但研究人员认为，将本研究展示的"地面视角"与无人机、航空器、激光雷达（LiDAR）的"航空视角"相融合，应作为克服这些挑战、实现韧性灾害应对社会的基础技术加以确立。总之，该车辆搭载方法为灾后24小时内可视化严重损伤分布提供了实用且高速的解决方案，预期该"基于高度的损伤评估逻辑"将成为损伤评估与危机管理领域的新型评价标准。