Towards a rapid automatic detection of building damage using remote sensing for disaster management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle