2026 年 10 月 7 日
来源：首尔国立大学
针对灾后救援中卫星图像常受云层、烟雾遮蔽导致评估困难的问题，首尔国立大学工程学院建筑系 In Ho Cho 教授领导的研究团队开发了一种新的“科学人工智能”（Scientific AI）框架。该方法结合结构工程知识与统计归算技术，能够在数据不完整的情况下快速预测城市规模的建筑损坏。
相关研究成果已发表于《科学报告》（Scientific Reports）。随着气候变化加剧及基础设施系统日益复杂，台风、洪水、野火、地震等灾害造成的结构性损害频发。在灾后第一时间确定受损位置及程度，是制定救援优先级和恢复策略的关键前提。
融合工程知识以克服数据缺失
传统的基于人工智能的损害评估方法通常依赖大量训练数据和算力，且在面对被云层、降雨或阴影遮挡的不完整卫星图像时性能下降明显。此外，这些模型往往需要在每次新灾害发生后重新训练，难以满足即时响应的需求。
In Ho Cho 团队提出的解决方案将结构工程领域的物理知识整合进 AI 分析中，并采用通用的统计归算方法来修复不完整数据。该框架利用灾前和灾后的卫星图像以及公开可用数据，通过测量图像中的“混乱度”（disorder），量化灾难前后结构及其周围环境的变化，从而预测损害。
与简单丢弃不完整数据或用平均值填充缺失值不同，该研究采用的统计归算方法利用数据内部的模式和相似性重建缺失信息。这意味着即使部分图像被遮蔽，系统仍能推断出潜在的损害情况。值得注意的是，该框架无需昂贵的预训练阶段，可直接利用现有数据进行即时估计。
高云遮蔽率下的低误差表现
研究团队使用大台风造成的损害案例验证了框架性能。结果显示，即使超过 50% 的图像区域被云层遮蔽，该框架预测被遮蔽区域下城市建筑损坏程度的误差仍低于 5%。
除了台风，研究人员还将该框架应用于大型野火损害案例，证明其具备扩展到多种自然灾害及人为灾害场景的潜力，能够处理大规模的结构损害预测任务。
从应急响应到长期基础设施管理
这项研究的意义在于突破了单纯依靠图像解释或模型训练的局限，确立了将工程知识与数据校正技术相结合的科学 AI 范式。In Ho Cho 表示：“研究表明，将结构工程知识与科学 AI 和数据科学结合，可以快速且低成本地预测复杂的工程信息。即使从受损或不完整的图像数据中获得可靠的工程判断，也具有特别重要的意义。”
在实际应用中，这种快速决策能力有助于确定哪些地区需要优先派遣救援人员和设备，哪些区域需立即启动恢复工作或进行额外安全检查。长远来看，该方法有望应用于城市防灾规划、灾后恢复战略及基础设施管理。
In Ho Cho 指出，未来计划将该方法扩展至老化结构管理、机械、船舶和飞机的基于图像的性能评估，以及国防领域的图像分析应用。该研究由首尔国立大学、爱荷华州立大学及美国空军研究实验室的研究人员共同完成。
论文引用：Dima Abuoliem 等人，通过整合开放数据和分数热甲板归算，使用不完整的卫星图像进行无培训的灾后损害估计，《科学报告》(2026)。DOI: 10.1038/s41598-026-72069-x
