[论文解读] An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series

Olivier Dietrich|arXiv (Cornell University)|Jun 4, 2024

Environmental and Biological Research in Conflict ZonesEnvironmental Science被引用 3

一句话总结

本文提出了一种开源、可扩展的方法，利用Sentinel-1 SAR时间序列和机器学习技术，对乌克兰战争引发的建筑破坏进行制图。该方法基于入侵前和入侵后时期的后向散射特征，训练随机森林分类器，随后通过开放的建筑轮廓数据对结果进行后处理，以估算建筑级别的破坏概率，实现了高空间分辨率和通过Google Earth Engine实现的动态推理。

ABSTRACT

Access to detailed war impact assessments is crucial for humanitarian organizations to assist affected populations effectively. However, maintaining a comprehensive understanding of the situation on the ground is challenging, especially in widespread and prolonged conflicts. Here we present a scalable method for estimating building damage resulting from armed conflicts. By training a machine learning model on Synthetic Aperture Radar image time series, we generate probabilistic damage estimates at the building level, leveraging existing damage assessments and open building footprints. To allow large-scale inference and ensure accessibility, we tie our method to run on Google Earth Engine. Users can adjust confidence intervals to suit their needs, enabling rapid and flexible assessments of war-related damage across large areas. We provide two publicly accessible dashboards: a Ukraine Damage Explorer to dynamically view our precomputed estimates, and a Rapid Damage Mapping Tool to run our method and generate custom maps.

研究动机与目标

• 开发一种可扩展、可迁移的方法，利用卫星遥感技术在大范围地理区域内估算战争引发的建筑破坏。
• 通过实现自动化、低成本、持续的冲突区域监测，克服人工处理高分辨率光学影像分析的局限性。
• 利用合成孔径雷达（SAR）数据，实现全天候、昼夜不间断的结构变化监测，以应对冲突影响。
• 整合开放数据源（如Overture Maps建筑轮廓），将像素级别的破坏概率转化为建筑级别的影响估计。
• 为人道主义行动者提供可访问、可自定义的工具，以大规模快速评估战争影响。

提出的方法

• 该方法使用Sentinel-1 SAR时间序列，将每个时间序列划分为一个固定的战前参考期和多个可变的入侵后评估期。
• 对每个时间段，从每个极化波段中提取七项统计特征（最小值、最大值、均值、中位数、标准差、峰度、偏度），形成每个像素的4N维特征向量。
• 在Google Earth Engine中训练的随机森林分类器，计算参考期与评估期之间的像素级破坏概率评分。
• 通过GEE的并行计算能力实现大规模推理，生成覆盖全国12个时间段的破坏概率地图。
• 后处理通过重叠加权平均法，将建筑轮廓多边形内的像素级概率聚合，为每个建筑分配破坏可能性。
• 最终通过基于前两年（T5–T12）最大破坏概率相对于战前水平（T1–T4）的阈值规则，确定建筑级别的破坏状态。

Figure 1: Percentage of buildings likely damaged within the first two years of the war, aggregated by hromadas . The predictions were thresholded at 0.64, and only buildings larger than 50 m 2 were considered.

实验结果

研究问题

• RQ1 SAR时间序列与机器学习能否实现对大规模冲突区域战争引发建筑破坏的准确、可扩展且低成本的制图？
• RQ2 如何有效将SAR后向散射变化导出的像素级破坏概率转化为建筑级别的影响评估？
• RQ3 开放数据和基于云的地理空间平台（如Google Earth Engine）在多大程度上能够支持无需依赖昂贵高分辨率光学影像的实时、大规模冲突监测？
• RQ4 该方法在应对乌克兰不同城市和农村冲突影响区域中季节性变化和空间异质性方面的鲁棒性如何？
• RQ5 模型的置信区间是否可调节以满足人道主义行动者不同的操作需求？

主要发现

• 模型在四个高标注感兴趣区域（马里乌波尔、基辅西北部、鲁比日内、沃尔诺瓦哈）上进行训练，覆盖了75.0%的UNOSAT标注和82.6%的后向散射时间序列。
• 最终的破坏概率地图覆盖全国，分辨率为10米，每幅地图包含88,867 × 201,284个像素，文件大小为17.88GB。
• 通过在轮廓边界内按重叠比例加权平均像素概率，计算出建筑级别的破坏估计，实现对破坏位置的精确定位。
• 采用0.64的阈值将建筑分类为可能受损，生成的制图结果显示了各市镇中可能受损建筑的百分比。
• 该方法成功识别出破坏的空间模式，东部和南部乌克兰破坏集中度高，与已知的冲突动态一致。
• 该方法通过两个公开仪表板（乌克兰破坏探测器和快速破坏制图工具）实现了动态、可自定义的破坏制图。

Figure 2: Building damage estimate for Chernihiv (standard confidence threshold 0.64), aggregated over the first two years of conflict. For clarity, we only present the damage heatmap in the main figure, while three zoomed insets show building-level predictions. Red dots represent UNOSAT annotations