Open Access Battle Damage Detection via Pixel-Wise T-Test on Sentinel-1 Imagery

在最近加沙和乌克兰发生的高度破坏性冲突的背景下，可靠的建筑损坏估计对于知情公众讨论、人权监测和人道主义援助提供至关重要。鉴于冲突损害评估的有争议性，这些估计必须是完全可重复的、可解释的，并且是从开放获取的数据中得出的。本文介绍了一种新的建筑损坏检测方法——像素级T检验（PWTT），它满足这些条件。PWTT使用免费提供的合成孔径雷达图像和统计变化检测的组合，在定期的时间间隔内生成准确的冲突损坏估计。使用跨越乌克兰、巴勒斯坦、叙利亚和伊拉克的12个城市的超过50万个标记建筑足迹的原始数据集评估准确性。尽管算法简单轻量，但它实现了建筑级别的准确性统计数据（在乌克兰为AUC=0.88，在加沙为0.81），与使用深度学习和高分辨率图像的最先进方法相媲美。该工作流程是开源的，并完全部署在Google Earth Engine环境中，允许生成交互式的乌克兰和加沙战斗损伤仪表板，以近乎实时的方式更新，使公众和人道主义从业者可以立即获得给定区域受损建筑的估计。

本文旨在提出一种新的建筑损伤检测方法，以便在高度破坏性的冲突中进行可靠的建筑物损坏估计。该方法需要使用可复制、可解释和来自开放数据的估计，以满足争议性冲突损伤评估的要求。

文章提出了一种新的像素级T检验（PWTT）的方法，利用免费可用的合成孔径雷达图像和统计变化检测，以在正常时间间隔内生成准确的冲突损伤估计。该算法简单轻量，但在Ukraine和Gaza的建筑级准确性统计方面（AUC=0.88和0.81）与使用深度学习和高分辨率图像的最先进方法相当。

论文使用了一个由超过50万个标记的建筑物足迹组成的原始数据集，跨越乌克兰、巴勒斯坦、叙利亚和伊拉克的12个城市进行准确性评估。该算法的工作流程是开源的，并完全部署在Google Earth Engine环境中，可以生成交互式的乌克兰和加沙战斗损伤仪表板，以在几乎实时更新中提供给公众和人道主义从业者一个给定区域受损建筑的估计。

最近在这个领域中，还有其他相关研究，如《Building Damage Assessment in Post-Conflict Areas Using Deep Learning and Very High Resolution Satellite Imagery》和《Building Damage Assessment in Post-Conflict Areas Using Convolutional Neural Networks and WorldView-2 Imagery》。