Команда под руководством профессора Ин Хо Чо с архитектурного факультета Сеульского национального университета представила систему, которая оценивает повреждения зданий в масштабе города по спутниковым снимкам до и после катастрофы. Работа опубликована в Scientific Reports 26 сентября 2026 года, о ней сообщил пресс-релиз университета. Главное отличие от привычных нейросетевых решений: модель не нужно заново обучать под каждую новую катастрофу.

Проверяли подход на Лейк-Чарльзе в Луизиане, который пострадал от урагана Лаура. В расчёт брали снимки высокого разрешения, цифровую модель рельефа, контуры зданий и двухполяризационные каналы радиолокатора с синтезированной апертурой (SAR).

Как это работает

Первый шаг — сравнить энтропию снимков до и после бедствия. Энтропия здесь мера беспорядка: она показывает, насколько сложнее и нерегулярнее стало изображение. Разрушенный квартал выглядит иначе, чем целый, и разница энтропии (ΔH) улавливает это изменение. По данным статьи, ΔH точнее определяла повреждения, чем дивергенция Кульбака — Лейблера, и меньше зависела от разрешения снимка и плотности застройки. Результаты совпали с классификацией повреждений FEMA.

Проблема в том, что после катастрофы часть снимков закрыта облаками, дымом или тенью. Вместо того чтобы выбрасывать такие участки или подставлять средние значения, авторы применили статистическое восстановление пропусков: Fractional Hot Deck Imputation (FHDI) и Fully Efficient Fractional Imputation (FEFI). Эти методы ищут в данных похожие случаи и по ним восстанавливают пропущенное.

При доле пропусков 50% FHDI снизил ошибку примерно на 14% по сравнению с простым методом, а FEFI — примерно на 10% по сравнению с моделью глубокого обучения. Важная оговорка: пропуски в целевой переменной ΔH задавали случайно, это модельная имитация, а не реальные облачные маски. Пресс-релиз отдельно говорит о перекрытии более 50% снимков облаками и ошибке менее 5%, но это другая метрика, и смешивать её с относительным снижением ошибки из статьи нельзя.

Представим район из нескольких кварталов, где облака закрыли половину крыш. Система не пытается угадать каждую крышу по отдельности, а опирается на закономерности между энтропией, рельефом и контурами зданий, чтобы восстановить пропущенные значения. Это условный пример, он показывает логику метода, а не проведённый эксперимент.

Валидация прошла на одном полигоне, поэтому перенос на другие города и типы катастроф авторы описывают как потенциальную возможность. Отдельно они показали пример применения к крупному лесному пожару. Для исследователей, которым нужно разобраться в статистических методах восстановления данных или подготовить свою публикацию по теме, может пригодиться статистический анализ данных.

Чо связывает работу с объединением инженерных знаний и Scientific AI: «Это исследование показывает, что сочетание знаний о строительных конструкциях с Scientific AI и наукой о данных позволяет быстро и недорого прогнозировать сложную инженерную информацию». Он добавил, что надёжные инженерные суждения удаётся получать даже из повреждённых или неполных снимков.

Схема последовательности: от пары спутниковых снимков через расчёт разницы энтропии и сбор открытых данных к статистическому восстановлению пропусков и итоговой оценке повреждений зданий

Фото: Aviz Media / Pexels