Multiclass Post-Earthquake Building Assessment Integrating Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers

要約

建物の損傷のタイムリーで正確な評価は、地震の余波における効果的な対応と回復のために重要です。
従来の予備的な損傷評価（PDA）は、多くの場合、手動での戸別訪問検査に依存しています。これは、時間がかかるだけでなく、重大な安全リスクをもたらします。
PDAプロセスを安全に促進するために、研究者は、ヒューリスティックおよび機械学習アプローチで処理された衛星画像の適用性を研究しました。
これらのアプローチは、バイナリまたは最近では、ブロックまたは単一の建物のスケールでのマルチクラス損傷状態を出力します。
ただし、このようなアプローチの現在のパフォーマンスは、実用的な適用性を制限します。
この制限に対処するために、高解像度の地震後衛星画像と構造の地震性能に関連する建物固有のメタデータを組み合わせたメタデータが豊富な変圧器ベースのフレームワークを紹介します。
私たちのモデルは、2023年2月6日のトルコシリア地震による建物のマルチクラス後の地震後の損傷の識別の最先端のパフォーマンスを達成します。具体的には、地震強度指標、土壌特性、SARダメージのプロキシマップを拡張するだけでなく、地位を拡大することを強化するだけでなく、地震強度指標、土壌の特性、SARダメージのプロキシマップを強化するだけでなく、メタデータを組み込むことを実証します。
地域。
さらに、さまざまなレベルの建物損傷にわたるモデルの意思決定を理解するために、機能の重要性に関する詳細なクラスごとの分析を実施しました。
この分析は、個々のメタデータが各ダメージクラスの予測に独自に貢献する方法を明らかにしています。
衛星画像とメタデータの両方を活用することにより、提案されたフレームワークにより、災害対応を改善し、影響を受けるコミュニティの復旧努力を加速できる、正確でマルチクラスの建物レベルの評価のためのより速く、より正確な損害評価を可能にします。

要約(オリジナル)

Timely and accurate assessments of building damage are crucial for effective response and recovery in the aftermath of earthquakes. Conventional preliminary damage assessments (PDA) often rely on manual door-to-door inspections, which are not only time-consuming but also pose significant safety risks. To safely expedite the PDA process, researchers have studied the applicability of satellite imagery processed with heuristic and machine learning approaches. These approaches output binary or, more recently, multiclass damage states at the scale of a block or a single building. However, the current performance of such approaches limits practical applicability. To address this limitation, we introduce a metadata-enriched, transformer based framework that combines high-resolution post-earthquake satellite imagery with building-specific metadata relevant to the seismic performance of the structure. Our model achieves state-of-the-art performance in multiclass post-earthquake damage identification for buildings from the Turkey-Syria earthquake on February 6, 2023. Specifically, we demonstrate that incorporating metadata, such as seismic intensity indicators, soil properties, and SAR damage proxy maps not only enhances the model’s accuracy and ability to distinguish between damage classes, but also improves its generalizability across various regions. Furthermore, we conducted a detailed, class-wise analysis of feature importance to understand the model’s decision-making across different levels of building damage. This analysis reveals how individual metadata features uniquely contribute to predictions for each damage class. By leveraging both satellite imagery and metadata, our proposed framework enables faster and more accurate damage assessments for precise, multiclass, building-level evaluations that can improve disaster response and accelerate recovery efforts for affected communities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google