BDA-KAN：基于柯尔莫哥洛夫-阿诺德网络的火灾后建筑结构快速损伤评估

《Remote Sensing Applications: Society and Environment》：BDA-KAN: Building Damage Assessment with Kolmogorov-Arnold Networks for Rapid Post-Fire Structural Evaluation

　　

摘要

在过去十年中，野火对建成环境的破坏急剧增加。对野火破坏进行遥感监测在区域到全球尺度上进行快速损害评估方面具有巨大潜力，但现有方法存在不确定性高和泛化能力低的缺点。在此，我们提出了基于Kolmogorov-Arnold网络（KAN）的建筑损害评估（BDA）模型，这是一种将注意力机制与KAN网络相结合的新型深度学习架构，使用预处理后的归一化数字表面模型（nDSM）差分技术。BDA-KAN在2025年加利福尼亚州伊顿大火和帕利塞兹大火中分别实现了97.20%和96.47%的准确率——涵盖11,726栋和17,965栋建筑物——精确率超过97%，优于最先进的架构，同时所需的计算资源比PiT和RVT等深度学习模型少30倍以上。BDA-KAN中的混合专家门控机制动态地将建筑足迹路由到针对不同破坏表现形式进行优化的专门子网络，而KAN中可学习的激活函数能够捕获垂直位移与结构完整性之间的复杂非线性关系。跨火场泛化实验展示了稳健的可迁移性，当在一个火场训练并在另一个火场进行评估时，准确率超过90%，证实了该模型在不同地理背景下评估破坏特征的能力。SHAP可解释性分析确认了具有物理意义的决策过程，尽管存在域偏移引入的噪声，归因值仍集中在屋顶坍塌区域。BDA-KAN提供了一个可迁移、高效的深度学习框架，能够在有nDSM数据的情况下准确评估火灾后的结构破坏。

引言

气候变化和城市化扩张改变了野火风险，尽管燃烧面积减少，全球人口暴露于火灾的风险仍增加了40%（Seydi等人，2025）。据估计，目前全球近一半人口居住于易发生野火的野火-城市交界区，这加剧了建成环境的脆弱性（Schug等人，2023）。在火灾后的数小时和数天内（本文中与"野火"互换使用），决策者面临着取决于建筑结构损坏评估的紧迫决策（Nhangumbe等人，2023）。及时准确的建筑损害评估为应急管理决策和灾害声明提供依据，这些声明对于部署地方到（国）际资源以向受灾人群提供所需的援助至关重要（Johny等人，2026）。传统的实地调查和手动图像分析无法应对当代灾难性野火的挑战，这些火灾同时影响数千栋建筑（Ogie等人，2022）。开发能够及时生成逐栋建筑损坏图的自动化系统势在必行（Monfort等人，2019）。

多种遥感技术可以辅助火灾后的结构损坏评估（Khankeshizadeh等人，2025, 2024；Li等人，2025；Takhtkeshha等人，2022）。合成孔径雷达（SAR）利用微波信号穿透云层覆盖，能够昼夜工作，使其在灾后即时调查中具有优势（Adriano等人，2021；Sandhini Putri等人，2022）。然而，解读SAR影像需要专业知识。固有的散斑噪声和几何失真（包括叠掩、压缩和阴影）使得城市环境中的SAR分析变得复杂（Du和Feng，2025；Wang等人，2024）。此外，侧视采集几何会遮挡建筑立面和精细结构细节，使得区分不同类型的破坏变得困难（Poterek等人，2025；Shafian等人，2024）。光学影像提供高分辨率视觉效果，可清晰显示结构变化、碎片和坍塌建筑；然而，云层、烟雾等大气条件会干扰或降低其质量（Rastiveis等人，2023）。激光雷达（LiDAR）技术被认为是综合损坏评估的最佳选择，因为它能够生成精确的三维高程模型。尽管LiDAR采集成本高昂且需要清晰的大气条件，但其精度使LiDAR成为建筑损坏评估中最可靠的遥感数据源（Li等人，2025）。

除火灾灾害外，大量研究致力于利用LiDAR数据提取各类灾害中的建筑损坏信息。例如，Zhou等人（2019）开发了一种基于LiDAR数据的飓风后多层级损害评估方法。该框架从点云数据中提取建筑集群信息，并通过匹配算法匹配事件前后的建筑集群，计算建筑损坏指标如面积和体积，然后通过多层级变化检测来确定破坏程度。Axel和Van Aardt（2017）提出了一种基于LiDAR的海地地震非监督建筑损坏评估框架。该框架使用局部描述符和屋顶特征（如倾斜角和高程指标）。Janalipour等人（2019）也开发了一种基于震后LiDAR数据的海地地震损害评估框架。该框架从LiDAR数据中提取纹理特征，并使用K-Means聚类生成初始损坏图，然后通过nDSM中建筑倾斜角对结果进行修改。Hajeb等人（2020）提出了一种基于SAR和双时相LiDAR数据融合的机器学习框架，用于日本熊本地震的损坏检测。该框架将差分绝对高程值的纹理特征（灰度共生矩阵）和SAR相干图组合作为损坏检测的输入。Kim和Leite（2026）开发了一种基于LiDAR点云数据的三阶段建筑损坏评估方法。该框架通过深度学习框架将建筑与非建筑足迹分离，然后利用聚类算法减少分类误差。

处理大规模点云数据集并生成准确损坏图需要稳健的计算模型（Yu等人，2025）。利用遥感数据进行损坏评估的深度学习方法已获得显著关注。卷积神经网络（CNN）是文献中的主导方法，在建筑损坏评估方面表现出强大能力，如同其在各类基于图像的任务中的表现；然而，由于局部依赖约束，CNN在处理长程空间关系时存在困难（Rekeczky-Csaba，2002）。CNN还需要大量标注数据集，鉴于灾后影像标注的稀缺性，这是一个重大障碍（Ding等人，2025）。较新的基于Transformer的架构通过全局自注意力机制解决了局部性限制，但引入了运维挑战（Khan等人，2022；Pereira和Hussain，2024）。例如，二次计算复杂度为高分辨率影像的推理带来了禁止性成本（Alman和Yu，2024）。此外，Transformer架构的数据需求甚至超过CNN，且刚性位置编码在传感器特性、季节条件和灾害背景在训练与部署环境之间存在域偏移时表现出性能下降（Li等人，2022；Mao等人，2022）。Kolmogorov-Arnold网络（KAN）是一种新兴的替代方案，主要通过用可学习函数替代固定激活函数来解决上述局限（Bozorgasl和Chen，2024；Liu等人，2024）。即使在有限训练数据的情况下，它们也在可解释性、参数效率和泛化能力方面具有优势（Seydi和Sadegh，2026；Somvanshi等人，2026）。然而，KAN在建筑损坏评估中的应用尚未被探索。

为了解决CNN和基于Transformer架构的局限性，同时保持可部署的现场计算可行性，我们提出了基于Kolmogorov-Arnold网络的建筑损坏评估（BDA-KAN）网络。BDA-KAN将建筑多边形作为显式几何先验整合，并结合混合专家路由动态实现特征提取的专门化，同时将预测约束在结构相关区域和特征上。该架构通过专门的多项式基表示采用可学习的激活函数。混合专家设计实现了动态特征路由，能够捕获跨异质上下文中可泛化的破坏特征。该设计优先考虑架构复杂度而非参数空间维度，与过度参数化的CNN和基于Transformer的替代方案相比，以最小的计算开销实现了分类改进。此外，BDA-KAN提高了精确率，大幅减少了假阳性，这可以防止在时间敏感的应急响应场景中资源错配。本文提出的将卫星观测转化为资产级损坏分类的方法本质上与地籍记录相一致。

本研究受到快速、可靠的损坏评估需求驱动，以指导日益频繁和破坏性的野火-城市交界区火灾发生后的应急响应和资源分配。

本研究的总体目标是开发一种高效、有效且具有泛化能力的基于遥感的深度学习框架，用于火灾后的建筑损坏评估。

为此，本研究的具体目标如下：

1. 设计一种建筑损坏评估Kolmogorov-Arnold网络（BDA-KAN），将建筑多边形作为几何先验整合，以将预测约束在结构相关区域内。
2. 在BDA-KAN中实现混合专家（MoE）路由机制，用于动态的、特定于上下文的特征专门化和提取。
3. 将基于多项式基表示的可学习激活函数纳入其中，替代传统固定激活函数。
4. 评估BDA-KAN的分类性能，与过度参数化的CNN和基于Transformer的替代方案进行比较，评估是否存在准确率提升、假阳性减少和部署计算成本降低。
5. 评估模型的效率和泛化能力，并评估其在地籍（资产级）损坏分类方面的一致性。

本研究的科学新颖性在于开发了一种新型BDA-KAN框架，将Kolmogorov-Arnold网络（KAN）与混合专家（MoE）路由机制相结合，用于建筑级火灾后损坏评估。主要科学新颖性总结如下：

1. 将KAN与MoE相结合用于火灾后建筑损坏评估。据我们所知，这是首次将Kolmogorov-Arnold网络（KAN）与混合专家（MoE）路由策略相结合，用于基于遥感数据的建筑级火灾后损坏评估，支持更有效的实际部署。这使得可以为不同的破坏特征自适应分配专门专家，增强模型准确率和泛化能力。

2. 通过可学习激活函数增强特征表示。与依赖预定义固定激活函数的传统神经网络不同，本文提出的框架利用基于KAN的可学习多项式激活函数，为建模损坏相关特征中的复杂非线性关系提供了更灵活、更具表现力的机制，并提高了部署就绪性。

研究区域与数据集

本研究考察了2025年1月7日在加利福尼亚州洛杉矶县爆发的两场灾难性野火：帕利塞兹大火，在太平洋帕利塞兹沿海地区烧毁了9,600公顷；以及伊顿大火，在阿尔塔代纳和帕萨迪纳的圣盖博山脉山麓地区烧毁了5,700公顷（图S1）（Sadegh等人，2025）。两场火灾均由强烈的圣安娜风驱动，在具有广泛野火-城市交界区的复杂地形中蔓延。

方法

利用火灾前和火灾后的nDSM，我们将建筑损坏评估构建为二分类问题（图3）。设$H$和$W$分别表示火灾前和火灾后的nDSM，其中$H$和$W$表示空间维度。对于每个建筑位置（中心坐标为$(x, y)$），我们提取配对补丁：

其中$p_x$和$p_y$分别为x和y方向的补丁大小，设置为以建筑中心$(x, y)$为中心的32×32米区域。分类任务将拼接后的…

损坏分类的定性空间评估

图4展示了表现最好的三个模型对伊顿大火建筑损坏分类的结果。其他四个模型的结果展示于图S2。火场足迹的西北部显示出广泛的影响，复杂的破坏模式需要在近距离内精确区分受损与存活的建筑。虽然所有模型都成功描绘了主要破坏范围，但在分类一致性方面出现了性能差异…

跨火场事件的分类性能与稳健性

本文提出的BDA-KAN在对伊顿大火和帕利塞兹大火的分析中展现了高度准确性，每次事件中误分类建筑数量比竞争的最先进模型少100至700栋，鉴于这些误差直接影响应急管理和灾害响应，这是一个显著差异。BDA-KAN在伊顿大火的精确率为97.83%，在帕利塞兹大火中为98.47%，远高于基于卷积的…

结论

本文提出的BDA-KAN是一个创新框架，利用架构 advancements 解决了卷积和基于Transformer方法在野火损坏评估中的局限性。BDA-KAN中的混合专家门控机制动态地将计算资源分配给专门子网络，目标是针对不同的破坏表现形式优化这些网络。每个专家采用具有可学习激活函数的Kolmogorov-Arnold层来…

作者贡献声明

Seyd Teymoor Seydi：撰写 – 审阅与编辑，撰写 – 原始稿件，可视化，验证，监督，软件，方法论，调查，形式分析，数据整理，概念化。John T. Abatzoglou：撰写 – 审阅与编辑，撰写 – 原始稿件，监督，调查，概念化。

Mojtaba Sadegh：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、资源、调查、资金获取、概念构思。未引用参考文献：Janalipour和Mohammadzadeh，2019；OpenTopograph，2025；OpenTopography，2025；USGS 3DEP，2025。数据可用性与代码：本研究中使用的所有LiDAR数据集均可通过OpenTopography门户公开获取（Preliminary Digital Elevation Models for Palisades Fire, CA 2025；Preliminary Digital Elevation Models for Eaton Fire, CA 2025；USGS 3DEP - USGS LPC CA NoCAL Wildfires PlumasNF B2 2018）。建筑物损坏的实地真值数据集可通过加利福尼亚州林业与防火局（CAL FIRE）数据仓库获取（https://gis.data.ca.gov/maps/2d764eef786841ce9194e84f524f2c8e；eaton-fire-structure-status-map）。出版伦理声明：所有作者均同意：本研究准确反映了所开展的工作，所有呈现的数据均准确无误，方法论细节足以使他人能够重复本工作。本手稿完全为原创作品，或如使用了他人的工作和/或文字，均已适当引用或引述，并在必要时获得了许可。本材料未在其他地方整体或部分发表。本手稿目前未……利益冲突声明：? 作者声明，他们没有已知的会可能影响本文所报告工作的相互竞争的财务利益或个人关系。致谢：本研究由美国国家科学基金会资助项目#2521103和#2429021支持。Seyd Teymoor Seydi | John T. Abatzoglou | Mojtaba Sadegh，博伊西州立大学土木工程学院，美国爱达荷州博伊西市。