传统的灾后损害评估方法可能需要几周甚至几个月的时间，这会延迟紧急响应、保险索赔和长期重建工作。新的研究可能会改变这一现状。研究人员开发了一种新方法，结合遥感、深度学习和恢复模型，以加快建筑物损害评估并预测龙卷风后的恢复时间。一旦获得事件后的图像，该模型能够在不到一小时的时间内生成损害评估和恢复预测。
它开始时是一种低沉、令人不安的咆哮声，在远处逐渐增强。它变成了震耳欲聋的雷鸣声，淹没了所有其他声音。天空变成了不自然的绿色，然后是黑色。狂风猛烈地冲击着树木和建筑。警报声尖锐刺耳。窗户和建筑物爆炸了。
2011年春季，密苏里州的乔普林遭受了一场EF5级龙卷风，估计风速超过每小时200英里。这场风暴造成了161人遇难，超过1000人受伤，约8000栋房屋和商业建筑受损或被毁坏。龙卷风在城市人口稠密的中南部地区开辟了一条一英里宽的路径，遗留下数英里的碎石，并造成超过20亿美元的损失。
龙卷风的强风常常超过大多数住宅和商业建筑的设计极限。传统的灾后损害评估方法可能需要几周甚至几个月的时间，这会延迟紧急响应、保险索赔和长期重建工作。
来自德克萨斯农工大学的新研究可能会改变这一现象。由德克萨斯农工大学土木与环境工程系的副教授兼扎克里职业发展教授玛丽亚·科利乌博士领导，研究人员开发了一种新方法，结合遥感、深度学习和恢复模型，加速建筑物损害评估并预测龙卷风后的恢复时间。一旦获得事件后的图像，该模型可以在不到一小时的时间内生成损害评估和恢复预测。
研究人员在可持续城市与社会期刊上发表了他们的模型。
“手动现场检查费时耗力，常常延误关键反应工作，”共同作者、德克萨斯农工大学土木工程博士生阿卜杜拉·布雷克说。“我们的方法利用高分辨率传感影像和深度学习算法在几小时内生成损害评估，立刻为第一响应者和决策者提供可操作的情报。”
该模型不仅评估损害——它还帮助预测修复成本和估算恢复时间。研究人员通过将深度学习技术（人工智能的一种形式）与先进的恢复模型结合，可以在不同情况下评估这些时间表和成本。
布雷克说：“我们的目标是为决策者提供几乎即时的损害评估和概率恢复预测，确保资源得到有效和公平的分配，特别是对于最脆弱的社区。这使得在灾后能够主动进行决策。”
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。
遥感利用来自美国国家海洋和大气管理局等来源的高分辨率卫星或航空图像，显示大面积的损害情况。
布雷克表示：“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，允许快速进行大规模损害检测。”
深度学习自动分析这些图像，以准确识别损害的严重程度。人工智能通过分析过去事件的数千张图像进行训练，学习识别可见的损害迹象，例如倒塌的屋顶、缺失的墙壁和散落的碎片。该模型随后将每栋建筑分类为“无损害”、“中等损害”、“重大损害”或“已毁坏”。
恢复建模利用过去的恢复数据、建筑和基础设施详细信息以及社区因素——如收入水平或资源获取——来估计在不同资金或政策条件下，家庭和社区恢复所需的时间。
当将这三种工具结合在一起时，该模型可以快速评估损害并预测受灾社区的短期和长期恢复时间。
布雷克说：“最终，这项研究弥合了快速灾害评估与战略长期恢复规划之间的差距，提供了一种基于风险的且实用的框架，以增强龙卷风后的韧性。”
模型测试
科利乌和布雷克使用2011年乔普林龙卷风的数据来测试他们的模型，因为该事件的规模巨大、强度高且有高质量的灾后信息可用。龙卷风摧毁了数千座建筑，创造了一种多样化的数据集，使模型能够在不同程度的结构损害中进行训练和测试。详细的地面损害评估提供了一个可靠的基准，以检查模型在分类损害严重程度方面的准确性。
布雷克说：“最有趣的发现之一是，除了高精度地检测损害，我们还能够估计龙卷风的行径。通过分析损害数据，我们能够重建龙卷风的路径，这与历史记录非常接近，提供了关于事件本身的有价值信息。”
未来方向
研究人员正在努力将该模型应用于其他类型的灾害，如飓风和地震，只要卫星能检测到损害模式。
布雷克说：“该模型的普适性的关键在于训练它利用特定灾害的过去图像，使其能够学习与每个事件相关的独特损害模式。我们已经在飓风数据上测试了该模型，结果表明其适应其他灾害的潜力很有希望。”
研究团队认为，他们的模型在未来的灾后响应中至关重要，能够帮助社区更快、更有效地恢复。该团队希望超越损害评估，将模型扩展到包括有关恢复进展的实时更新和恢复情况的跟踪。
他说：“这将使重建过程中的决策更加动态和明智。我们的目标是创建一个可靠的工具，以提高灾害管理的效率，支持更快的恢复工作。”
该技术有潜力在风暴发生后的关键小时和天数内，通过提供几乎即时的评估和恢复预测，改变紧急官员、保险人和决策者的响应方式。
这项研究的资助来自国家科学基金会.
