Картографування пошкоджень міської інфраструктури на основі штучного інтелекту
DOI:
https://doi.org/10.32347/st.2025.4.1207Ключові слова:
комп'ютерний зір, ГІС, оцінка пошкоджень, сегментація, БПЛА-зображення, планування реконструкціїАнотація
Оцінка пошкоджень міської інфраструктури є критично важливою для поставарійного відновлення, розподілу ресурсів та планування міської стійкості. Ручні інспекції є повільними, суб'єктивними та небезпечними. Дане дослідження представляє розширений огляд підходів комп'ютерного зору (CV) та геоінформаційних систем (ГІС) для автоматизованого виявлення пошкоджень з кількох джерел. Проаналізовано методи класифікації, детекції, сегментації та виявлення змін. Запропоновано розширений конвеєр ШІ→Індекс Пошкоджень→ГІС. Розглянуто виклики, специфічні для українських міст. Стаття надає комплексну основу для впровадження автоматизованих систем картографування пошкоджень.
Посилання
Doshi J. (2020). Damage Classification Using Deep CNNs. Conference Proceedings on Disaster Management.
Xu Y., Wu L., Xie Z., Chen Z. (2021). Building Damage Detection from Satellite Imagery Using Deep Learning. IEEE Transactions on Geoscience and Remote Sensing, 59(8), 6347–6359.
Ronneberger O., Fischer P., Brox T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention, 234–241.
He K., Gkioxari G., Dollár P., Girshick R. (2017). Mask R-CNN. IEEE International Conference on Computer Vision, 2961–2969.
Redmon J., Divvala S., Girshick R., Farhadi A. (2016). You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition, 779–788.
Li Z., Chen M., Wang X., Liu Y. (2022). UAV-Based Urban Damage Assessment Framework for Post-Disaster Management. ISPRS Journal of Photogrammetry and Remote Sensing, 187, 142–158.
NATO (2020). Infrastructure Damage Assessment Standards for Crisis Management. NATO Standardization Office Technical Report.
Azimi M., Eslamlou A. D., Pekcan G. (2021). Deep Learning for Post-Disaster Damage Mapping from Satellite Imagery. Engineering Structures, 234, 111968.
Bischke B., Helber P., Folz J., Borth D., Dengel A. (2020). Multi-Task Learning for Segmentation of Building Footprints with Deep Neural Networks. IEEE Conference on Computer Vision and Pattern Recognition Workshops, 1480–1489.
Liu P., Zhang H., Eom K. B. (2021). Active Deep Learning for Change Detection in Remote Sensing Images. ACM Computing Surveys, 54(7), 1–38.
Lin Y., Zhao H., Wang Y., Zhang L. (2022). Transformer Models for Structural Damage Analysis in Remote Sensing. IEEE Transactions on Geoscience and Remote Sensing, 60, 5214001.
UNOSAT (2022). Urban Destruction Mapping in Conflict Zones: Methodologies and Case Studies. United Nations Satellite Centre Damage Assessment Report.
JRC EU Commission (2019). Post-Disaster Damage Classification Standards and Protocols. Joint Research Centre Technical Guidelines.
Google Research (2020). Street View Imagery for Urban Infrastructure Analysis and Reconstruction Planning. Technical White Paper.
Shi W., Goodchild M. F., Batty M., Kwan M., Zhang A. (2021). Urban Informatics: GIS-Based Multi-Layer Risk Modelling. Springer, Berlin, 456.
Zhang Z., Wang L., Liu Y., Chen X. (2023). Automatic Debris Detection and Classification Using UAV Imagery and Deep Learning. Remote Sensing, 15(4), 987.
Hsieh M., Lin C., Huang T., Wang S. (2022). Multimodal Fusion Approaches for Infrastructure Damage Assessment. IEEE Access, 10, 45678–45690.
Harvard HDRI Lab (2021). Damage Index Normalization Models for Cross-Regional Assessment. Harvard Humanitarian Research Initiative Technical Report.
Vetrivel A., Gerke M., Kerle N., Vosselman G. (2018). Disaster Damage Detection Through Synergistic Use of Deep Learning and 3D Point Cloud Features. ISPRS Journal of Photogrammetry and Remote Sensing, 140, 45–59.
Khomenko I., Petrov A., Lysenko V. (2023). Infrastructure Damage Patterns in Eastern Europe: A Comparative Case Study. International Journal of Urban Studies, 18(3), 234–251.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Kostiantyn Marynskyi
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор(и) та Редакція згодні на те, що Редакція також матиме право:
- здійснювати необхідне оформлення Твору/Статті за результатами його редакційної обробки;
- визначати самостійно кількість видань, друк додаткових копій і тираж Твору/Статті, кількість копій окремих видань і додаткових тиражів;
- опублікування Твору/Статті в інших виданнях, пов’язаних з діяльністю Редакції
В журналі діє ліцензія CC BY 4.0
