由于自然灾害的出现显着增加（例如，飓风，森林火灾，洪水，地震），机器学习界最近对气候和灾害损伤领域的兴趣增加了兴趣。然而，没有足够的重视致力于减轻即将到来的自然灾害的可能破坏。我们通过预测在事实前的建筑水平损害基础上探讨这一关键空间，这些损害允许国家行为者和非政府组织最好配备资源分配，以尽量减少或抢先损失。我们介绍了在决策树上采用Resnets和完全连接的层的集合来捕获图像级别和元级信息，以准确地估计人为结构的弱点到灾害发生。我们的模式表现良好，并响应于跨灾害类型调整，并突出抢占危害造型的空间。

灾难事件后立即可用的高分辨率卫星图像对于响应计划至关重要，因为它促进了对临界基础设施状态的广泛情境意识，例如建立损坏，洪水和障碍物来访问路线。此规模的损坏映射将需要数百人的专家小时。然而，众包的组合和深度学习的最新进步将实时降低几个小时需要的努力。要求志愿者放置点标记，而不是实际受损区域的形状，显着降低灾难期间响应所需的分析时间。但是，不同的志愿者可能在标记中不一致。这项工作提出了用于汇总可能不一致的损伤标记以培训神经网络损伤探测器的方法。

The xView2 competition and xBD dataset spurred significant advancements in overhead building damage detection, but the competition's pixel level scoring can lead to reduced solution performance in areas with tight clusters of buildings or uninformative context. We seek to advance automatic building damage assessment for disaster relief by proposing an auxiliary challenge to the original xView2 competition. This new challenge involves a new dataset and metrics indicating solution performance when damage is more local and limited than in xBD. Our challenge measures a network's ability to identify individual buildings and their damage level without excessive reliance on the buildings' surroundings. Methods that succeed on this challenge will provide more fine-grained, precise damage information than original xView2 solutions. The best-performing xView2 networks' performances dropped noticeably in our new limited/local damage detection task. The common causes of failure observed are that (1) building objects and their classifications are not separated well, and (2) when they are, the classification is strongly biased by surrounding buildings and other damage context. Thus, we release our augmented version of the dataset with additional object-level scoring metrics https://gitlab.kitware.com/dennis.melamed/xfbd to test independence and separability of building objects, alongside the pixel-level performance metrics of the original competition. We also experiment with new baseline models which improve independence and separability of building damage predictions. Our results indicate that building damage detection is not a fully-solved problem, and we invite others to use and build on our dataset augmentations and metrics.

需要在自然灾害后损害评估来分配援助和力量从最佳地处理损坏。这一过程涉及为兴趣区域，建筑物的本地化以及大自然或城市因素对建筑物造成的损害量的分类来获取卫星图像。在自然灾害的情况下，这意味着加工许多平方公里的区域，以判断特定建筑是否遭受破坏性因素。在这项工作中，我们开发了灾难前后的同一区域卫星图像的自动比较的计算方法，并在建筑物中分类不同损坏程度。我们的解决方案是基于暹罗与编码器解码器架构的神经网络。我们包括广泛的消融研究，并比较不同的编码器，解码器，损失函数，增强以及组合两个图像的几种方法。该解决方案实现了计算机愿景中的最佳结果之一，以建立损害评估竞争。

本文介绍了Dahitra，这是一种具有分层变压器的新型深度学习模型，可在飓风后根据卫星图像对建筑物的损害进行分类。自动化的建筑损害评估为决策和资源分配提供了关键信息，以快速应急响应。卫星图像提供了实时，高覆盖的信息，并提供了向大规模污点后建筑物损失评估提供信息的机会。此外，深入学习方法已证明在对建筑物的损害进行分类方面有希望。在这项工作中，提出了一个基于变压器的新型网络来评估建筑物的损失。该网络利用多个分辨率的层次空间特征，并在将变压器编码器应用于空间特征后捕获特征域的时间差异。当对大规模灾难损坏数据集（XBD）进行测试以构建本地化和损坏分类以及在Levir-CD数据集上进行更改检测任务时，该网络将实现最先进的绩效。此外，我们引入了一个新的高分辨率卫星图像数据集，IDA-BD（与2021年路易斯安那州的2021年飓风IDA有关，以便域名适应以进一步评估该模型的能力，以适用于新损坏的区域。域的适应结果表明，所提出的模型可以适应一个新事件，只有有限的微调。因此，所提出的模型通过更好的性能和域的适应来推进艺术的当前状态。此外，IDA-BD也提供了A高分辨率注释的数据集用于该领域的未来研究。

这项研究旨在使用人工智能（AI）和多视图图像实现更可靠的自动化后建筑物损害分类。当前的实践和研究工作在采用AI进行灾后损害评估的AI方面通常是（a）定性，基于标准损害量表缺乏建筑物损害水平的精制分类，并且（b）基于空中或卫星图像培训，具有有限的视图，视图有限，尽管有指示性，但并不完全描述损伤量表。为了使损伤水平的更准确和可靠的自动量化量化，本研究提出了以多种地面和建筑物的空中视图形式使用更全面的视觉数据。为了具有这样的空间感知的损害预测模型，使用了多视图卷积神经网络（MV-CNN）体系结构，结合了损坏建筑物不同视图的信息。这种空间3D上下文损害信息将导致更准确地识别损害和可靠的损害水平量化。拟议的模型经过训练和验证，并在侦察视觉数据集上进行了验证，其中包含飓风哈维后检查的建筑物的专家标签，地理标记的图像。开发的模型在预测损害水平方面表现出合理的准确性，可用于支持更加知识和可靠的AI-AI-AS辅助灾害管理实践。

自然灾害（例如飓风）之后，数以百万计的需要紧急援助。为了最佳地分配资源，人类规划人员需要准确分析可以从多个来源流动的数据。这激发了多模式机器学习框架的开发，这些框架可以集成多个数据源并有效利用它们。迄今为止，研究界主要集中于单峰推理，以提供损害的细粒度评估。此外，以前的研究主要依赖于灾后图像，这可能需要几天才能可用。在这项工作中，我们提出了一个多模式框架（GALENET），用于通过与天气数据和飓风的轨迹补充污水架图像来评估损害的严重程度。通过对两次飓风的数据进行的广泛实验，我们证明了（i）与单峰方法相比，多模式方法的优点，以及（ii）Galenet在融合各种模态下的有效性。此外，我们表明，在没有后架图像的情况下，Galenet可以利用前碟片前的图像，从而阻止决策的大幅度延迟。

使用卫星图像的建筑物分类对于诸如损害评估，资源分配和人口估算的若干应用而言变得越来越重要。在这项工作中，我们专注于建筑物损伤评估（BDA）和住宅和非住宅建筑的建筑物类型分类（BTC）。我们建议仅依赖于RGB卫星图像并遵循基于2级的深度学习的方法，其中使用语义分割模型提取建筑物的足迹，然后进行裁剪图像的分类。由于缺乏住宅/非住宅建筑物分类的适当数据集，我们介绍了一个新的高分辨率卫星图像数据集。我们进行广泛的实验，选择最佳的超参数，模型架构和培训范式，我们提出了一种新的转移基于学习的方法，以优于经典方法。最后，我们验证了两种应用中提出的方法，呈现出卓越的准确性和F1分数指标。

在低收入环境中，电力公用事业最关键的信息是客户的预期消耗。在环境中难以做的电力消耗评估，其中大部分家庭尚未拥有电连接。在这种情况下，预期消费的绝对水平可以从5-100千瓦时/月的范围内，导致这些客户之间的可变性。如果在具有较高消耗的人的那些上，珍贵的资源是有利害的。这是第一次研究它在低收入环境中的善意，试图预测建筑物的消费，而不是总行政区域的消费。我们通过在肯尼亚20,000个地理参考电力客户的情况下培训卷积神经网络（CNN）上电气化的白天卫星图像，其中包括20,000个地理参考电力客户（肯尼亚住宅客户的0.01％）。这是可能的两阶段方法，它使用了一种新的建筑分割方法来利用更大的不成本卫星图像耗尽，以充分利用大多数稀缺和昂贵的客户数据。我们的方法表明，竞争精度可以在建筑水平上实现，解决消费变异性的挑战。这项工作表明，建筑的特征和周围的上下文在预测消费水平方面都很重要。我们还评估将较低分辨率的地理空间数据集添加到培训过程中，包括夜间灯和人口普查数据。结果已经有助于通知网站选择和分配级别规划，通过肯尼亚各个结构水平的粒度预测，没有理由不能扩展到其他国家。

本研究提出了一种使用深入学习工作流程来量化建筑环境中的损坏的新方法来量化。由于自动履带，从谷歌地球获得了全世界50个震中的自然灾害前后的空中图像，从谷歌地球获得了一台10,000个空中图像数据库，每像素的空间分辨率为2米。该研究利用算法SEG-Net在两个实例（现有和后自然灾害）中的卫星图像中的建筑环境的语义分割。对于图像分割，SEG-Net是最受欢迎和最通用的CNN架构之一。 SEG-NET算法在分割中达到了92％的精度。分割后，我们将两种情况之间的差异与变化百分比进行了比较。这种变化系数代表了数控的损坏，城市环境必须量化建筑环境中的整体损坏。这样的指数可以让政府估计受影响家庭的数量，也许是住房损害的程度。

用于卫星图像分析的计算机视觉算法的创新可以使我们能够在行星层面探索全球挑战，例如城市化和土地利用变化。但是，当试图复制将这些分析推向新领域的模型时，尤其是在发展中国家的模型时，域转移问题是一个普遍的情况。如果模型是通过一个位置的图像和标签训练的，则通常不会很好地概括到图像和数据分布不同的新位置。在这项工作中，我们考虑了我们有一个大型卫星图像场景的设置，我们希望在该场景上解决一个应用问题 - 构建足迹细分。在这里，我们不一定需要担心创建一个概括过我们场景边界的模型，而是可以训练本地模型。我们表明，使用非常高分辨率（0.5m/px）卫星图像解决建筑细分问题需要的标签很少。我们只有527个稀疏多边形注释（相当于1500 x 1500名被标记的像素）训练的最佳型号，召回了0.87的持有足迹，R2的r2为0.93视窗。我们将模型应用于约旦安曼（Amman）的高分辨率图像中，在一项有关城市变化检测的案例研究中。

LIDAR（“光检测和测距”或“激光成像，检测和测距”）技术可用于提供城市和农村景观的详细三维高度地图。迄今为止，空气传播的激光雷达成像主要被限制在环境和考古域中。然而，该数据的地理上粒度和开放源特性也为使用了地理人口类型数据的社会，组织和业务应用程序。具体地，处理该多维数据的复杂性迄今为止涉及其更广泛的采用。在本文中，我们提出了一系列方便的任务无关瓷砖高程嵌入来解决这一挑战，利用无监督深度学习的最新进展。通过预测大伦敦地区的小型地区，通过预测七个剥夺指数（2019年）来测试我们嵌入的潜力。这些索引涵盖了一系列社会经济结果，并作为可以应用嵌入的各种下游任务的代理。我们考虑不仅仅是独立于自己的数据的适用性，而且与人口统计特征结合使用，也可以作为辅助数据源，从而为嵌入品提供了一个现实用例。在尝试各种模型/嵌入配置中，我们发现我们最好的表现嵌入式导致单独使用标准人口统计特征的根本平衡（RMSE）改进高达21％。我们还展示了使用深度学习与K-Means集群相结合的嵌入管道的嵌入管道，产生相干瓷砖段，允许解释潜在的嵌入功能。

经过大量地震后，我们可以看到个人和媒体机构在社交媒体平台上发布的图像由于这些天智能手机的大规模使用而发布。这些图像可用于提供关于公共和研究群落的地震区域震荡损坏的信息，并且可能导致救援工作。本文提出了一种自动化的方法，可以在来自诸如Twitter等社交媒体平台的地震之后提取损坏的建筑图像，从而识别包含此类图像的特定用户帖子。使用传输学习和〜6500手动标记图像，我们培训了深入学习模型，以识别现场损坏的建筑物的图像。当在土耳其2020 M7.0地震发生后，在不同地区的新收购的地震图像上进行地震图像的地震图像时，训练有素的模型取得了良好的表现。此外，为了更好地了解模型如何做出决策，我们还实现了Grad-CAM方法来可视化促进决策的图像上的重要位置。

Flooding is one of the most disastrous natural hazards, responsible for substantial economic losses. A predictive model for flood-induced financial damages is useful for many applications such as climate change adaptation planning and insurance underwriting. This research assesses the predictive capability of regressors constructed on the National Flood Insurance Program (NFIP) dataset using neural networks (Conditional Generative Adversarial Networks), decision trees (Extreme Gradient Boosting), and kernel-based regressors (Gaussian Process). The assessment highlights the most informative predictors for regression. The distribution for claims amount inference is modeled with a Burr distribution permitting the introduction of a bias correction scheme and increasing the regressor's predictive capability. Aiming to study the interaction with physical variables, we incorporate Daymet rainfall estimation to NFIP as an additional predictor. A study on the coastal counties in the eight US South-West states resulted in an $R^2=0.807$. Further analysis of 11 counties with a significant number of claims in the NFIP dataset reveals that Extreme Gradient Boosting provides the best results, that bias correction significantly improves the similarity with the reference distribution, and that the rainfall predictor strengthens the regressor performance.

纯粹后的损害评估对于管理资源分配和执行有效响应至关重要。传统上，这种评估是通过野外侦察进行的，该侦察速度缓慢，危险且艰巨。取而代之的是，在本文中，我们进一步提出了通过卷积神经网络实施深度学习的想法，以便将建筑物的后卫星卫星图像分类为被洪水/损坏或未损坏的。该实验是在2017年哈维飓风之后使用的，该数据集采用了一个包含大休斯顿地区的纯种后卫星图像的数据集进行。本文实施了三个卷积神经网络模型体系结构，并配对了其他模型考虑，以实现高精度（超过99％），（超过99％），，超过99％），（超过99％）加强在殖民后灾难评估中有效使用机器学习。

2D和3D建筑图提供了宝贵的信息，以了解人类活动及其对地球及其环境的影响。尽管为提高建筑地图的质量而做出了巨大努力，但自动化方法产生的当前大规模建筑地图仍存在许多错误和不确定性，并且通常仅限于提供2D建筑信息。这项研究提出了一种开源无监督的2D和3D建筑物提取算法，并带有适用于大型建筑物映射的机载LIDAR数据。我们的算法以完全无监督的方式运行，不需要任何培训标签或培训程序。我们的算法由形态过滤和基于平面的过滤组成。因此，计算是有效的，结果易于预测，这可以大大减少所得建筑图中的不确定性。丹佛和纽约市的大规模数据集（> 550 $ km^2 $）的定量和定性评估表明，我们的算法比通过基于深度学习的方法生成的Microsoft Building Footprints可以产生更准确的建筑图。在不同条件下进行的广泛评估证实，我们的算法是可扩展的，可以通过适当的参数选择进一步改进。我们还详细介绍了参数和潜在错误来源的影响，以帮助我们算法的潜在用户。我们的基于激光雷达的算法具有优势，即生成2D和3D构建图在计算上有效，而它产生了准确且可解释的结果。我们提出的算法为带有机载激光雷达数据的全球尺度2D和3D建筑物映射提供了巨大的潜力。

深度学习模式和地球观察的协同组合承诺支持可持续发展目标（SDGS）。新的发展和夸张的申请已经在改变人类将面临生活星球挑战的方式。本文审查了当前对地球观测数据的最深入学习方法，以及其在地球观测中深度学习的快速发展受到影响和实现最严重的SDG的应用。我们系统地审查案例研究至1）实现零饥饿，2）可持续城市，3）提供保管安全，4）减轻和适应气候变化，5）保留生物多样性。关注重要的社会，经济和环境影响。提前令人兴奋的时期即将到来，算法和地球数据可以帮助我们努力解决气候危机并支持更可持续发展的地方。

城市地区消耗了世界上三分之二的能源，占全球二氧化碳排放量的70％以上。正如IPCC全球预热的1.5C报告所述，到2050年实现碳中型需要清楚地了解城市几何形状。卫星图像的高质量建筑占地面积可以加速这一预测过程和授权在规模上的授权市决策。然而，以前的深度学习的方法面临相应的问题，例如缩放不变性和缺陷的足迹，部分原因是由于持续存在的类别不平衡。此外，大多数方法都需要补充数据，例如点云数据，建筑物高度信息和多频段图像 - 这具有有限的可用性并且产生乏味。在本文中，我们提出了一种改进的Deeplabv3 +模块，其具有扩张的REN底座骨架，仅产生从三声道RGB卫星图像的建筑占地面积的掩模。此外，我们在客观函数中引入了F-Beta测量，以帮助模型账户进行偏斜类分布，并防止假阳性占地面积。除F-Beta之外，我们还纳入了指数加权的边界损失，并使用跨数据集培训策略来进一步提高预测的质量。因此，我们跨越三个公共基准实现最先进的表演，并证明我们的RGB方法产生更高质量的视觉结果，并且对卫星图像的规模，分辨率和城市密度不可知。

卫星遥感提供了一种具有成本效益的概要洪水监测的解决方案，卫星衍生的洪水图为传统上使用的数值洪水淹没模型提供了一种计算有效的替代方法。尽管卫星碰巧涵盖正在进行的洪水事件时确实提供了及时的淹没信息，但它们受其时空分辨率的限制，因为它们在各种规模上动态监测洪水演变的能力。不断改善对新卫星数据源的访问以及大数据处理功能，就此问题的数据驱动解决方案而言，已经解锁了前所未有的可能性。具体而言，来自卫星的数据融合，例如哥白尼前哨，它们具有很高的空间和低时间分辨率，以及来自NASA SMAP和GPM任务的数据，它们的空间较低，但时间较高的时间分辨率可能会导致高分辨率的洪水淹没在A处的高分辨率洪水。每日规模。在这里，使用Sentinel-1合成孔径雷达和各种水文，地形和基于土地利用的预测因子衍生出的洪水淹没图对卷积神经网络进行了训练，以预测高分辨率的洪水泛滥概率图。使用Sentinel-1和Sentinel-2衍生的洪水面罩，评估了UNET和SEGNET模型架构的性能，分别具有95％的信心间隔。精确召回曲线（PR-AUC）曲线下的区域（AUC）被用作主要评估指标，这是由于二进制洪水映射问题中类固有的不平衡性质，最佳模型提供了PR-AUC 0.85。

可解释的AI（XAI）是支持高赌注视觉检测任务的人AI合作的承诺手段，例如来自卫星成像仪的损坏检测任务，作为完全自动化的方法不太可能是完全安全可靠的。然而，大多数现有的XAI技术都没有通过对人类的特定任务特定需求进行解释来了解。因此，我们迈向了解Xai人类在损坏检测任务中需要什么迈出的第一步。我们在在线众包的研究中了解人们如何在评估基于卫星图像的建筑损坏的严重程度时解释自己的评估。通过与60人群的研究，我们介绍了六种主要策略，即人类利用解释他们的视觉伤害评估。我们对我们的调查结果提出了对这种视觉检测环境的设计设计的影响，并讨论了未来研究的机会。