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

本文提出了一种基于卷积神经网络分类个别建筑物功能的方法，该方法利用了遥感图像和街景图像，使用开源地图系统来获取地理信息，并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。

Feb, 2018

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。

Nov, 2022

通过利用遥感图像对屋顶类型进行分类，可以支持疟疾风险评估并有助于预防疟疾。我们提供莫桑比克的 Nacala-Roof-Material 数据集，其中包含高分辨率的无人机图像，并提供标签以确定房屋及其屋顶类型。该数据集定义了一个多任务计算机视觉问题，包括目标检测、分类和分割。我们基于该数据集对多种最先进的方法进行了基准测试，结果显示每种方法在各自任务上具有优势，但没有一种方法在所有任务上占据优势，这突显了我们数据集在多任务学习中的潜力。我们还通过引入深度有序分水岭（DOW）方法的变体解决了对象准确分割和分离的问题，从而改善了对象的描绘和分割效果。我们展示了我们的 DOW 变体是一种通用方法，可以改进 U-Net 和 DINOv2 主干网络的性能，实现了语义分割和实例分割之间更好的权衡。

Jun, 2024

本研究提出了一种使用卷积网络和距离函数的方法，利用 GIS 中的建筑足迹数据训练，可实现从空中和卫星图像中自动提取建筑物的任务自动化，并在大规模和复杂的数据集上显著优于先前的方法。

Feb, 2016

探索使用多视角图像和 AI 实现可靠的灾后建筑损伤分类方法，提出基于多视角卷积神经网络结构的损伤预测模型可以提高灾后建筑损伤等级的准确度和可靠性。

Aug, 2022

我们提出了一个有效的框架来实现对高分辨率光学卫星图像中个别建筑物的语义解释，通过采用领域自适应预训练策略和复合双支干，以及新的数据增强流程、随机权重平均训练和基于实例分割的模型集成，实现了额外的性能提升。值得注意的是，我们还探讨了光学卫星图像和 SAR 数据的多模态数据融合的潜力。

Aug, 2023

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

通过使用深度学习技术来精确评估自然灾害中建筑损害，在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点，以评估深度学习模型。我们解决了推广到新灾难和地区的挑战，同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外，我们的研究定量地证明了对于有效的建筑损害检测，最低的卫星图像分辨率为 3 米，对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估，我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型，以及集成技术。总体而言，F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外，我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估，并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。

Sep, 2023

本研究通过结合 ARIMA 模型和 K-MEANS 的方法，以及利用 Autoencoder 进行增强的模拟，有效地模拟了历史飓风行为并提供了潜在未来轨迹和强度的详细预测，为风险管理策略提供了可行的见解。

Sep, 2023