Towards a rapid automatic detection of building damage using remote sensing for disaster management
Notice bibliographique
Résumé
Purpose – Satellite and airborne images are increasingly used at different stages of disaster management, especially in the detection of infrastructure damage. Although semi- or full automatic techniques to detect damage have been proposed, they have not been used in emergency situations. Damage maps produced by international organisations are still based on visual interpretation of images, which is time- and labour-consuming. The purpose of this paper is to investigate how an automatic mapping of damage can be helpful for a first and rapid assessment of building damage. Design/methodology/approach – The study area is located in Port-au-Prince (Haiti) stricken by an earthquake in January 2010. To detect building damage, the paper uses optical images (15 cm of spatial resolution) coupled with height data (LiDAR, 1 m of spatial resolution). By undertaking an automatic object-oriented classification, the paper identifies three categories of building damages: intact buildings, collapsed buildings and debris. Findings – Data processing for the study area covering 11 km2 took about 15 hours. The accuracy of the classification varies from 70 to 79 per cent depending to the methods of assessment. Causes of errors are numerous: limited spectral information of the optical images, resolution difference between the two data, high density of buildings but most importantly, certain types of building collapses could not be detected by vertically taken images (the case of data in this study). Originality/value – The automatic damage mapping developed in this paper proves to be reliable and could be used in emergency situations. It could also be combined with manual visual interpretation to accelerate the planning of humanitarian rescues and reconstruction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».