基于无人机摄影测量和深度学习的Geo-AI方法用于快速震后损伤评估

《Geomatics, Natural Hazards and Risk》：A Geo-AI approach for rapid post-earthquake damage assessment based on UAV photogrammetry and deep learning

　　

台湾位于环太平洋地震带（Circum-Pacific Seismic Belt），频繁发生破坏性地震，例如2024年花莲地震。大规模灾后评估仍依赖人工现场调查，劳动强度大，对人员造成安全风险，并且难以对广泛基础设施进行快速定量损伤测量。为克服这些限制，研究人员提出了一种Geo-AI工作流，将高分辨率无人机摄影测量（UAV photogrammetry）与深度学习（deep learning）相结合，用于自动损伤量化。利用U-Net进行宏观土地覆盖分类，以隔离路面区域作为主要感兴趣区域。随后使用YOLOv11进行微观裂缝识别和掩膜分割。该过程通过将识别出的裂缝掩膜叠加到高精度数字表面模型（Digital Surface Model, DSM）上，自动提取三维几何特征，包括面积、长度和宽度。在花莲港的验证表明，YOLOv11的裂缝检测平均精度（mean average precision）达到93.4%，裂缝面积均方根误差（RMSE）为0.0065 m²。该自动化工作流可在一天内生成整个55公顷基础设施的综合路面状况指数（Pavement Condition Index, PCI）图，与验证地点的传统勘测相比，节省了超过90%的时间。该方法为快速震后损伤评估和重建规划提供了安全、客观且高效的解决方案。

**论文解读文章**

**研究背景与问题**
台湾位于环太平洋地震带，地震活动频繁，2024年花莲地震等事件造成严重结构破坏。当前大规模灾后评估主要依赖人工现场调查，该方式劳动强度大、对人员安全风险高，且难以对广泛基础设施进行快速定量损伤测量。现有技术如无人机摄影测量（UAV photogrammetry）可重建三维地形，但分析常限于制图与可视化；深度学习（deep learning）可检测裂缝，但结果通常停留在图像或局部层面，缺乏全场地理参考；路面状况指数（PCI）评估虽成熟，但依赖手动采集数据，难以规模化。这些方法间的割裂导致数据碎片化、分析效率低，因此研究人员提出整合Geo-AI框架，以解决上述问题。该研究发表在《Geomatics, Natural Hazards and Risk》。

**研究方法概述**
研究人员采用的关键技术方法包括：1）无人机摄影测量（UAV photogrammetry）：通过布设21个地面控制点（GCPs）和航拍规划，获取高分辨率正射影像（地面采样距离GSD为1.45 cm）和数字表面模型（DSM）；2）U-Net语义分割：对土地覆盖进行分类，提取路面区域作为感兴趣区域（ROI）；3）YOLOv11实例分割：在路面区域内进行裂缝检测与掩膜分割，训练数据集来自花莲港的604张裂缝图像（70%训练、20%验证、10%测试），并使用274个独立样本进行外部验证；4）自动三维几何特征提取：将裂缝掩膜叠加到DSM上，计算面积、长度和宽度；5）路面状况指数（PCI）计算：依据ASTM D6433标准，对裂缝数据进行标准化损伤评估。

**研究结果**
**3.1 研究区域与无人机三维重建**
研究人员在花莲港布设21个GCPs，生成GSD为1.45 cm的正射影像和DSM，精确捕捉了震后地形起伏与结构位移，为后续分析提供空间基准。

**3.2 土地覆盖分类**
U-Net模型将研究区域分为植被、道路与路面、水体、结构物与其他四类，其中道路与路面占比53.3%。该分类的mIoU为83.3%，路面类别的IoU为84.5%，Dice系数为91.6%，有效隔离了路面区域，减少了背景干扰。

**3.3 裂缝分割模型性能评估**
YOLOv11在训练集上达到边界框平均精度（mAP）93.4%，掩膜分割精度86.0%。在274个独立样本的外部验证中，裂缝分类的精确率（precision）为85.1%，召回率（recall）为83.2%，F1分数为84.2%，平均推理时间约3.0 ms/图像。与Mask R-CNN相比，YOLOv11-seg在掩膜mAP50（86.0% vs. 68.8%）和速度（3.0 ms vs. 24 ms）上均更优。

**3.4 裂缝自动三维几何提取**
通过将裂缝掩膜叠加到DSM，自动提取了裂缝的面积、长度和宽度。与30个现场实测样本对比，面积RMSE为0.0065 m²，长度RMSE为0.0308 m，宽度RMSE为0.0164 m，验证了方法的可靠性。

**3.5 裂缝类型分类**
基于裂缝方向与长宽比，将4439条裂缝分为纵向（54.4%）、横向（29.5%）、斜向（16.0%）和网状或龟裂（0.1%）。纵向裂缝占主导，与码头向海侧移动引起的液化变形一致。

**3.6 PCI计算与损伤评级分析**
生成的PCI图显示，港口设施PCI值范围为3至99，大部分区域（70-99）呈绿色，局部低值区域（<10）对应严重结构变形。自动化PCI评估为维修优先级提供了客观依据。

**讨论与结论**
讨论部分指出，该Geo-AI方法在花莲港实现了超过90%的时间节省（14.1小时 vs. 传统7天），且通过远程成像避免了人员安全风险。裂缝类型与独立岩土研究（Yang et al., 2025a）中的液化解释一致，验证了方法的科学性。局限性包括：1.45 cm GSD可能遗漏细微裂缝；仅检测裂缝单一损伤类型；图像条件（如接缝、阴影）导致误检。未来需在更多场地和灾害场景中验证。

**研究结论翻译**
本研究提出了一种Geo-AI方法，集成高分辨率无人机摄影测量与深度学习，用于自动震后损伤量化。该方法从宏观土地覆盖分类过渡到微观裂缝识别：利用U-Net语义分割隔离路面基础设施作为主要感兴趣区域，有效过滤了无人机正射影像中的复杂背景干扰；随后，利用YOLOv11实例分割模型在提取的路面区域内执行自动裂缝检测与像素级掩膜分割。通过将识别出的裂缝掩膜叠加到地理参考的数字表面模型上，自动提取了包括面积、长度和宽度的三维几何特征。这些定量指标进一步整合到路面状况指数计算中，用于标准化损伤评估。在花莲港的验证中，YOLOv11架构实现了边界框检测平均精度93.4%和掩膜分割精度86.0%。基于30个随机裂缝样本的现场实测对比，面积RMSE为0.0065 m²，长度RMSE为0.0308 m，宽度RMSE为0.0164 m。生成的PCI图显示，港口设施PCI值范围为3至99，大部分区域在70至99之间，而局部关键区域（PCI低于10）对应严重结构变形。与传统的岩土勘测相比，该集成方法的操作效率显著提升：在14.1小时内完成整个55公顷基础设施的全区域单次调查（2-3人操作），相比传统方法（6-7名工程师耗时7天）节省了超过90%的时间。同时，在危险区域（如25号码头）通过远程成像大幅降低了现场调查的安全风险。该框架目前仅在单一场地验证，其可扩展性和迁移性尚未确立，需在更多场地、路面类型和灾害场景中进一步验证后才可推广。