Nov, 2022

利用卫星图像进行灾害风险评估的住宅类型分类

PDF
TL;DR使用机器学习对印度低收入居民区进行卫星图像分析，经过住宅类型识别和风险评估模型计算确定的住宅风险水平，可为灾难响应组织和有风险的社区提供基于家庭层面的风险信息，以便采取先发制人的行动。
vulnerability assessmentrisk assessmentmachine learningsatellite imagerydisaster preparedness
发现论文，激发创造
  • DeepDamageNet: 使用卫星图像的多灾害建筑损坏分割和分类的两步深度学习模型

    通过深度学习模型，在 xView2 挑战中取得了 0.66 的 F1 分数，超过 0.28 的挑战基准分数，发现不同损伤等级和不同灾害类型之间的视觉相似性和损害分布差异导致建筑物损伤分类是一项困难任务，可能需要具备关于灾害损害的概率先验估计，以获得准确的预测。

    May, 2024

  • 从卫星图像到灾难洞察

    本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。

    Dec, 2018

  • 使用卷积神经网络在卫星图像中进行建筑物损伤检测

    利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

    Oct, 2019

  • RescueNet：卫星图像中建筑物分割和损伤评估的联合方法

    RescueNet 是一个集成模型，采用了局部相关的二进制交叉熵损失函数来同时分割建筑和评估破坏水平，该模型可以进行端到端的训练，并获得比现有方法更好的性能，它可以在各种地理区域和灾难类型下实现通用。

    Apr, 2020

  • 基于 CNN 的卫星遥感图像和 LiDAR 数据融合在加勒比地区的屋顶分类

    本研究使用深度学习技术对多模态遥感数据进行融合，实现了在多米尼克飓风玛利亚后所获得的高分辨率正射影像和航空 LiDAR 数据中，对建筑物屋顶特征的自动分类。实验结果表明，多模态遥感数据的融合要优于任何单一数据源的应用，使得屋顶类型和屋顶材料的分类的 F1 得分分别达到了 0.93 和 0.92。本研究旨在帮助政府及时生成更准确的建筑信息，以提高加勒比地区的抗灾能力和灾害响应能力。

    Jul, 2023

  • 利用机器学习和低分辨率多光谱数据绘制发展中国家的非正式定居点图

    该研究提出了一种新的机器学习数据集，可以用于检测非正式聚居地，同时表明使用免费的低分辨率卫星图像进行非正式聚居地侦测是可行的，并演示了两种有效的分类方案，可将这些方案集成到半自动化流水线中。

    Jan, 2019

  • 利用卷积网络和卫星图像在大范围内识别城市环境模式

    利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

    Apr, 2017

  • 通过机器学习实现自动屋顶类型分类，用于区域风险评估

    使用机器学习建立屋顶分类框架，使用 CNN 模型对卫星图像进行分类，将该模型应用于 New Hanover County, NC 和 Miami-Dade County, FL，研究了屋顶类型在不同地区的分布，以及如何使用临近建筑特征和邻域屋顶特征的缺失处理方法。

    May, 2023

  • FloodNet：一个用于洪水后场景理解的高分辨率航拍图像数据集

    本文提出了一种高分辨率无人机图像数据集 FloodNet，用于帮助解决自然灾害后的损害评估问题，数据集提出了 “洪水下的损害” 这个问题，并对其进行了像素级的语义分割标注，提出一些深度学习算法用于解决这些挑战，并比较了该数据集上多个图像任务算法的性能表现。

    Dec, 2020

  • 多时间段城市发展 SpaceNet 数据集

    本研究基于多元时间城市发展卫星数据集 (MUDS)，利用计算机视觉技术和时间序列分析方法来跟踪建筑物，评估城市化和人造或自然灾害的进程。

    Feb, 2021