传统的灾后损害评估方法可能需要数周甚至数月才能完成，这会延误应急响应、保险理赔和长期重建工作。新的研究可能改变这一现状。研究人员开发出一种新方法，结合遥感技术、深度学习和恢复模型，能够加快龙卷风后建筑物损害评估的速度，并预测恢复时间。一旦获得灾后影像，该模型便能在不到一小时内生成损害评估和恢复预测。
2011年春天，密苏里州乔普林市遭受了一场EF5级龙卷风的 devastating 袭击，估计风速超过每小时200英里。这场风暴造成161人遇难，超过1000人受伤，约8000所房屋和企业受损或被毁。龙卷风在该市人口稠密的中南部地区肆虐出一条宽达一英里的路径，留下绵延数英里的破碎瓦砾，并造成超过20亿美元的损失。
龙卷风的强大风力通常超过大多数住宅和商业建筑的设计极限。灾后传统的损害评估方法可能需要数周甚至数月的时间，从而延误应急响应、保险理赔和长期的重建工作。
德克萨斯A&M大学的一项新研究可能会改变这一现状。由德克萨斯A&M大学扎克里土木与环境工程系副教授、扎克里职业发展教授II Maria Koliou博士领导的研究人员开发出一种新方法，该方法结合了遥感、深度学习和恢复模型，以加快龙卷风后的建筑损坏评估并预测恢复时间。一旦获得灾后影像，该模型可以在不到一小时内生成损坏评估和恢复预测。
研究人员在《可持续城市与社会》期刊上发表了他们的模型。
“人工现场检查劳动强度大且耗时，往往会延误关键的响应工作，”该研究的合著者、德克萨斯A&M大学土木工程博士生Abdullah Braik说。“我们的方法使用高分辨率传感影像和深度学习算法，在数小时内生成损坏评估，立即为急救人员和决策者提供可操作的情报。”
该模型不仅能评估损坏——它还有助于预测修复成本并估算恢复时间。通过将深度学习技术（一种人工智能）与先进的恢复模型相结合，研究人员可以评估不同情况下的这些时间表和成本。
“我们的目标是为决策者提供近乎即时的损坏评估和概率性恢复预测，确保资源得到高效且公平的分配，特别是针对最脆弱的社区，”Braik说。“这使得在灾后能够做出主动的决策。”
工作原理
研究人员结合了三种工具来创建该模型：遥感、深度学习和恢复建模。
遥感使用来自NOAA等来源的高分辨率卫星或航空影像来显示大面积区域的受损程度。
“这些图像至关重要，因为它们提供了受影响区域的宏观视角，允许进行快速、大规模的损坏检测，”Braik说。
深度学习自动分析这些图像，以准确识别损坏的严重程度。该人工智能在灾难发生前通过分析数千张过往事件的图像进行训练，学习识别损坏的可见迹象，例如倒塌的屋顶、缺失的墙壁和散落的碎片。然后，模型将每栋建筑分类为不同等级，例如无损坏、中等损坏、严重损坏或摧毁。
恢复建模利用过去的恢复数据、建筑和基础设施细节以及社区因素（如收入水平或资源获取途径）来估算在不同资金或政策条件下，房屋和社区可能需要多长时间才能恢复。
当这三种工具结合时，模型可以快速评估受损情况，并预测受灾害影响社区的短期和长期恢复时间表。
“最终，这项研究弥合了快速灾害评估和战略性长期恢复规划之间的差距，提供了一个基于风险认知且实用的框架，以增强龙卷风后的恢复能力，”Braik说。
模型测试
由于2011年乔普林龙卷风的规模巨大、强度极高以及高质量灾后信息的可用性，Koliou和Braik使用其数据来测试他们的模型。这场龙卷风摧毁了数千座建筑，创建了一个多样化的数据集，使得模型能够在各种结构损坏程度下进行训练和测试。详细的地面损坏评估为检查模型分类损坏严重程度的准确性提供了可靠的基准。
“最有趣的发现之一是，除了高精度检测损坏外，我们还可以估算龙卷风的路径，”Braik说。“通过分析损坏数据，我们可以重建龙卷风的路径，这与历史记录非常吻合，为我们提供了关于事件本身的有价值信息。”
未来方向
研究人员正致力于将该模型用于其他类型的灾害，如飓风和地震，只要卫星能够检测到损坏模式。
“模型普适性的关键在于利用特定灾害的历史图像对其进行训练，使其能够学习与每种事件相关的独特损坏模式，”Braik说。“我们已经使用飓风数据对该模型进行了测试，结果显示其适应其他灾害的潜力巨大。”
研究团队相信，他们的模型在未来的灾害响应中可能至关重要，帮助社区更快、更有效地恢复。该团队希望将模型的应用范围从损坏评估扩展到包括恢复进度的实时更新和对恢复过程的持续追踪。
“随着社区重建，这将允许进行更具动态性和信息化的决策，”他说。“我们的目标是创建一个可靠的工具，提高灾害管理效率并支持更快的恢复工作。”
通过在风暴过后的关键数小时和数天内提供近乎即时的评估和恢复预测，这项技术有潜力改变应急官员、保险公司和政策制定者的响应方式。
这项研究的资金由美国国家科学基金会提供。