基于水平集成本感知贝叶斯优化的灾后快速损伤评估自适应采样

# 基于水平集成本感知贝叶斯优化的自适应采样用于灾后快速损害评估

来源: https://arxiv.org/html/2608.02868

Boyang Xu  
计算与增强智能学院，亚利桑那州立大学 \([email protected] (https://arxiv.org/html/2608.02868v1/mailto:[email protected]), [email protected] (https://arxiv.org/html/2608.02868v1/mailto:[email protected])\)。Hao Yan 为通讯作者。  
Mostafa Reisi Gahrooei  
Mohammad Ilbeigi  
土木、环境与海洋工程系，史蒂文斯理工学院 \([email protected] (https://arxiv.org/html/2608.02868v1/mailto:[email protected])\)。  
Hao Yan¹¹footnotemark:1  

###### 摘要

自然灾害时常对建成环境造成严重破坏，这需要快速、可靠且经济高效的损害评估以支持应急响应。然而，传统的灾后损害评估方法往往依赖静态且劳动密集的数据收集策略，这些策略可能成本过高，并且难以适应动态变化的灾后条件。在本研究中，我们提出了一种结合水平集估计的成本感知贝叶斯优化框架，该框架持续引导自主数据收集器（例如无人驾驶飞行器，UAV）前往最具信息量的区域。通过动态更新不同地理区域的损害估计，我们的方法在最小化运行成本的同时系统性地降低不确定性。所提出的框架首先通过受控的合成玩具研究进行验证，结果表明智能体能够高效地追踪损害边界、恢复底层损害图，并快速降低预测不确定性。此外，该方法还使用区域韧性判定（R2D）软件生成的高保真灾害数据进行了评估。该算法的结果提供了准确且及时的损害估计，支持信息充分且快速的应急响应。

## 1 引言

飓风、地震、洪水、野火等自然灾害常常对关键基础设施和更广泛的城市环境造成大范围破坏，扰乱基本服务并危及人类生命。评估灾害对建筑物和基础设施系统物理及运行状态的影响，对于在应急响应过程中做出及时、明智的决策至关重要，并且是成本分析、战略规划和协调的基石\[25 (https://arxiv.org/html/2608.02868#bib.bib25)\]。灾后损害评估（PDDA）在这一过程中发挥着关键作用，提供有关损害程度和严重性的必要信息。当自然灾害袭击建成环境时，通常会开展三类PDDA以确定灾害的影响和量级：（1）快速损害评估（RDA）；（2）初步损害评估（PDA）；（3）实质性损害评估（SDA）\[13 (https://arxiv.org/html/2608.02868#bib.bib13)\]。这些损害评估过程相互重叠，形成一个从灾害发生后立即开始并持续到灾后影响期及之后的连续过程。然而，它们的侧重点、所需精度和最终目标各不相同。PDA和SDA过程用于中期到长期分析，帮助决策者估计实现完全恢复所需的资金需求和援助。而RDA过程用于在灾害发生后的第一时间决定干预措施和优先事项。RDA为地方政府提供必要信息，使其能够对危及生命的情况作出充分响应；指导第一响应者；快速分析关键基础设施的潜在危险；确定是否需要额外资源；并协助确定当地资源分配以及是否需要州和/或联邦灾害声明请求。尽管RDA至关重要，但成功开展PDDA特别是RDA仍然十分困难。传统的损害评估方法通常依赖大量人工实地调查\[30 (https://arxiv.org/html/2608.02868#bib.bib30),11 (https://arxiv.org/html/2608.02868#bib.bib11)\]，由于时间限制以及灾后应急行动中关键决策的紧迫性，这些方法可能不切实际\[26 (https://arxiv.org/html/2608.02868#bib.bib26)\]。近年来，通过新兴技术实现的智能数据收集系统取得了显著进展，包括配备先进传感机制的无人驾驶飞行器（UAV）\[18 (https://arxiv.org/html/2608.02868#bib.bib18)\]，如激光雷达（LiDAR）\[3 (https://arxiv.org/html/2608.02868#bib.bib3)\]、热成像\[28 (https://arxiv.org/html/2608.02868#bib.bib28)\]、多光谱和高光谱相机\[9 (https://arxiv.org/html/2608.02868#bib.bib9)\]、摄影测量\[15 (https://arxiv.org/html/2608.02868#bib.bib15)\]以及探地雷达\[24 (https://arxiv.org/html/2608.02868#bib.bib24)\]。这些技术显著增强了快速评估灾后状况的能力。近年来，越来越多的研究专注于将这些技术用于数据收集\[2 (https://arxiv.org/html/2608.02868#bib.bib2),16 (https://arxiv.org/html/2608.02868#bib.bib16),37 (https://arxiv.org/html/2608.02868#bib.bib37),35 (https://arxiv.org/html/2608.02868#bib.bib35)\]，并开发先进的深度学习方法以解释收集到的数据\[31 (https://arxiv.org/html/2608.02868#bib.bib31),1 (https://arxiv.org/html/2608.02868#bib.bib1),7 (https://arxiv.org/html/2608.02868#bib.bib7)\]。这些研究的重点是“如何”在灾害发生后收集和分析数据。也就是说，这些方法主要侧重于利用传感和机器学习技术识别给定基础设施系统的损害程度。尽管这些研究对智能PDDA知识体系做出了贡献，但一个关键的运行挑战依然存在：确定“在哪里”收集数据（应观测何处），以提高受影响区域的整体评估质量，尤其是在时间有限的快速损害评估中。现有的PDDA智能体轨迹规划方法仅依赖先验静态数据，缺乏调整数据收集目标所需的灵活性和敏捷性\[8 (https://arxiv.org/html/2608.02868#bib.bib8)\]。因此，设计和发展自适应数据采样策略，对于充分发挥智能、技术增强的数据收集机制在有效、快速损害评估中的作用至关重要。这种自适应方法能够识别最具信息量的待访问位置，并在有限时间框架内提供对受影响区域更准确的理解。构建克服这一瓶颈的自适应采样策略面临三个主要挑战。首先，灾后损害通常在空间上具有异质性，并受多种建筑特征影响，因此需要能够同时捕捉复杂空间关系和特征相关损害模式的模型。其次，损害等级通常以有序量表表示，因此有必要对有序分类结果进行建模，并学习识别感兴趣区域的关键阈值。第三，自适应采样必须在严重数据稀疏和不确定性条件下运行，同时尊重实用的运行约束，如行驶距离、时间和资源消耗，以支持成本效益高且信息丰富的数据收集。我们提出了一种基于成本感知贝叶斯优化策略的自适应采样框架。我们的核心元模型——有序深度核高斯过程（ODGP）采用深度核架构来捕捉复杂的空间/特征相关性，并使用有序回归公式来处理分类损害等级。如图1.1 (https://arxiv.org/html/2608.02868#S1.F1)所示，该框架使用成本感知的水平集采集函数迭代引导数据收集器（如UAV）。该函数识别相对于行驶成本提供最大信息的位置，动态更新损害预测和不确定性估计，以优先考虑高影响区域。

参见图注  
图1.1：所提出的自适应采样框架。

本文的主要贡献总结如下：
（i）用于有序损害的新型代理模型：我们引入了一种有序深度核高斯过程（ODGP），该模型能够有效捕捉复杂的空间相关性和建筑特征，同时自然处理离散且天然有序的损害等级（例如，轻微、中等、严重、摧毁）；
（ii）成本感知水平集采集函数：我们设计了一种动态采样策略，同时平衡三个关键因素：探索（访问高不确定性区域）、利用（通过水平集估计识别关键损害阈值边界）和行驶成本（惩罚长距离飞行轨迹）。这使得UAV能够在不过度消耗有限电池资源的情况下优先访问高价值信息区域；
（iii）全面的实证验证：我们通过受控的合成环境和高保真模拟海啸场景验证了所提出的框架。结果表明，与基线采样策略相比，我们的方法在实现高精度损害边界识别的同时，显著降低了累计飞行成本。

## 2 相关工作

本节回顾了启发我们提出方法的两条关键文献线索：灾后损害评估（PDDA）的最新进展和自适应采样技术。这些领域共同促使我们提出成本感知贝叶斯优化框架，以在实际运行约束下提高空间数据收集效率。

快速PDDA对于应急响应、资源分配和恢复规划至关重要。近年来，PDDA通过整合遥感与机器学习取得了显著进展。各种传感器——包括卫星图像\[16 (https://arxiv.org/html/2608.02868#bib.bib16),35 (https://arxiv.org/html/2608.02868#bib.bib35)\]、LiDAR\[31 (https://arxiv.org/html/2608.02868#bib.bib31)\]和多传感器融合\[1 (https://arxiv.org/html/2608.02868#bib.bib1),2 (https://arxiv.org/html/2608.02868#bib.bib2),37 (https://arxiv.org/html/2608.02868#bib.bib37)\]——提供了受影响区域的关键结构和环境数据。与此同时，从卷积神经网络（CNN）\[7 (https://arxiv.org/html/2608.02868#bib.bib7),5 (https://arxiv.org/html/2608.02868#bib.bib5)\]到层次化Transformer\[17 (https://arxiv.org/html/2608.02868#bib.bib17)\]的深度学习架构，极大地提高了损害分类和制图的准确性。研究人员还将这些基于视觉的评估与恢复模型和基于智能体的模拟相结合，以评估更广泛的社区韧性\[4 (https://arxiv.org/html/2608.02868#bib.bib4)\]。然而，这些研究主要关注“如何”从现有静态数据集中评估损害，而不是在动态、资源有限的环境中“在哪里”战略部署智能体以收集数据。为了应对数据获取的挑战，近期的研究探索了自适应采样策略，以引导传感智能体前往高不确定性或严重受损区域。虽然主动学习已被用于洪水制图等任务\[21 (https://arxiv.org/html/2608.02868#bib.bib21)\]，但它往往难以区分复杂的光谱模式。强化学习（RL）已被应用于优化灾后网络恢复中的UAV轨迹\[38 (https://arxiv.org/html/2608.02868#bib.bib38)\]；然而，其对大规模模拟预训练的依赖限制了其在高度不确定的真实灾害场景中的可迁移性。贝叶斯优化（BO）对于资源密集型数据收集非常有效，因为它天然地量化不确定性\[10 (https://arxiv.org/html/2608.02868#bib.bib10)\]。然而，在当前的PDDA文献中，BO主要用于超参数调优或特征选择\[23 (https://arxiv.org/html/2608.02868#bib.bib23),22 (https://arxiv.org/html/2608.02868#bib.bib22)\]，而非用于空间轨迹规划和识别采样位置。尽管自动化PDDA取得了显著进展，但空间自适应采样仍严重缺乏探索。缺乏位置定位策略限制了PDDA智能体的运行效率。为弥补这一空白，我们的研究引入了一种成本感知BO框架，旨在实现真实灾害场景中准确、自适应且资源高效的数据收集。

## 3 方法

我们提出了一种贝叶斯优化（BO）框架，以高效识别灾后环境中最佳观测位置（“在哪里”观测）。在探索与利用之间取得平衡\[32 (https://arxiv.org/html/2608.02868#bib.bib32)\]，我们的框架（图3.1 (https://arxiv.org/html/2608.02868#S3.F1)）采用有序深度核高斯过程（ODGP）作为代理模型。ODGP的深度核架构能够捕捉复杂的空间和特征相关的损害模式（挑战1），而其有序公式天然地适应严重性等级，从而能够识别关键感兴趣区域（ROI）（挑战2）。为了在运行约束（挑战3）下缓解数据稀疏问题，我们设计了一种结合水平集估计的成本感知采集函数。通过惩罚过长的行驶距离，该函数引导BO选择既具有最大信息量又具有成本效益的采样位置。本节的其余部分结构如下：我们首先介绍标准GP以及用于特征嵌入的深度核学习。然后，我们提出ODGP的公式，随后设计成本感知采集函数和水平集估计。最后，我们详细介绍用于联合参数优化的变分推断过程。

参见图注  
图3.1：所提出的BO框架。

### 3.1 高斯过程

高斯过程被广泛用作贝叶斯优化中的代理模型，以近似未知的目标函数。形式上，GP定义了函数上的分布，使得任何有限的观测（或函数评估）子集都遵循联合高斯分布\[34 (https://arxiv.org/html/2608.02868#bib.bib34)\]。

#### GP的先验

设 \(X_n=[\mathbf{x}_1^\top,\ldots,\mathbf{x}_n^\top]^\top\in\mathbb{R}^{n\times d}\) 表示训练输入，并设 \(\mathbf{y}_n=[y_1,\ldots,y_n]^\top\) 为相应的观测值。我们假设输出是未知潜在函数 \(f:\mathbb{R}^d\rightarrow\mathbb{R}\) 的带噪声评估，即 \(\mathbf{y}_n=f(X_n)+\boldsymbol{\epsilon}_n\)，其中 \(\boldsymbol{\epsilon}_n\) 表示噪声，并假设其服从正态分布 \(\boldsymbol{\epsilon}_n\sim\mathcal{N}(0,\sigma^2 I_n)\)。我们在函数 \(f\) 上放置高斯过程先验，记为：

(3.1)
\[
f\sim\mathcal{GP}(m(\cdot),k(\cdot,\cdot)),
\]

其中 \(m(\cdot)\) 是均值函数，\(k(\cdot,\cdot)\) 是核（协方差）函数。该先验表达了如下信念：对于任何有限的输入集合，相应的函数值都遵循联合高斯分布。特别地，在GP先验下，潜在函数值向量：

\[
\mathbf{f}_n =
\]