基于二次变分因果贝叶斯推断的InSAR影像多类地震建筑物损伤评估
Multi-class Seismic Building Damage Assessment from InSAR Imagery using Quadratic Variational Causal Bayesian Inference
AI总结：
提出一种基于二次变分因果贝叶斯推断的InSAR多类建筑物损伤评估框架，结合USGS地面破坏模型与易损性函数，在五次地震中实现AUC 0.94-0.96，较现有方法提升35.7%，计算开销降低40%以上。
摘要：
干涉合成孔径雷达（InSAR）技术利用卫星雷达探测地表形变模式并监测地震对建筑物的影响。尽管该技术对应急响应规划至关重要，但从InSAR数据中提取多类建筑物损伤分类面临诸多挑战：损伤信号与环境噪声重叠、多类场景下的计算复杂性，以及快速区域尺度处理的需求。我们提出的新型多类变分因果贝叶斯推断框架采用二次变分界，在保证效率的同时提供了严格的近似。通过将InSAR观测与USGS地面破坏模型和建筑物易损性函数相结合，我们的方法在保持计算效率的同时分离建筑物损伤信号，并通过策略性剪枝实现。在五次大地震（2021年海地、2020年波多黎各、2020年萨格勒布、2016年意大利、2019年里奇克莱斯特）中的评估显示，损伤分类精度得到提升（AUC：0.94-0.96），相比现有方法最高提升35.7%。我们的方法在所有损伤类别中保持高精度（AUC > 0.93），同时将计算开销降低超过40%，且无需大量地面真值数据。
英文摘要：
Interferometric Synthetic Aperture Radar (InSAR) technology uses satellite radar to detect surface deformation patterns and monitor earthquake impacts on buildings. While vital for emergency response planning, extracting multi-class building damage classifications from InSAR data faces challenges: overlapping damage signatures with environmental noise, computational complexity in multi-class scenarios, and the need for rapid regional-scale processing. Our novel multi-class variational causal Bayesian inference framework with quadratic variational bounds provides rigorous approximations while ensuring efficiency. By integrating InSAR observations with USGS ground failure models and building fragility functions, our approach separates building damage signals while maintaining computational efficiency through strategic pruning. Evaluation across five major earthquakes (Haiti 2021, Puerto Rico 2020, Zagreb 2020, Italy 2016, Ridgecrest 2019) shows improved damage classification accuracy (AUC: 0.94-0.96), achieving up to 35.7% improvement over existing methods. Our approach maintains high accuracy (AUC > 0.93) across all damage categories while reducing computational overhead by over 40% without requiring extensive ground truth data.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
