International Journal of Disaster Risk Science近日发表了武建军教授为通讯作者，夏皓斌硕士生为第一作者的土耳其地震中一个基于超高分辨率遥感影像的建筑物损毁评估的深度学习应用方法研究文章。文章基于xBD数据集训练了一种双阶段建筑物受损神经网络BDANet，对土耳其南部小镇伊斯拉希耶进行了建筑物损毁等级评估，并对模型结果进行了优化。在此基础上对单个建筑物进行受损评估，结合人口分布数据，文章估算了受影响的人口数量以及不同地区的灾情程度。本文在基于遥感像元的建筑物损毁模型结果的优化以及单体建筑物损毁评估方法两个方面有所创新。

2023年2月，土耳其南部发生了两场7.8级地震，造成大量建筑物损毁与人员伤亡，快速准确的震后建筑物受损评估对人道主义救援以及灾后响应至关重要。基于超高分辨率遥感影像，目前有众多基于深度学习模型的建筑物损毁识别模型，但在突发情况下，目标地区的样本数量通常较少，制作新的训练样本所需时间较长，一个鲁棒性较好的模型对快速评估有着重要意义。

文章选取土耳其伊斯拉希耶镇作为研究区域，构建建筑物损毁等级评估模型，针对模型输出的建筑物概率结果，测试不同阈值下的情况进行优化，并依据每个建筑物范围内受损像元数量重新评估建筑物受损情况，随后结合人口数据统计受不同程度影响的人口数量，并进行救援紧急程度评估。实验结果表明：（1）基于xBD数据集训练所得的BDANet模型经过优化后具有较好的鲁棒性；（2）基于已有的模型权重可以快速复现建筑物损毁评估流程，结合人口数据可快速得出灾情严重区域，对于震后应急救援具有一定的参考价值。

京津冀生态文明发展研究院么嘉棋博士，杨建华博士，北京师范大学地理科学学部宫阿都副教授等参与了此项研究。

图 土耳其伊斯拉希耶镇灾情严重程度评估图