Building damage detection through the fusion of synthetic aperture radar (SAR) and optical satellite imagery using deep learning techniques

Earthquakes are among the most destructive natural hazards, leading to huge losses in terms of human life. One of the enormous tasks that have to be granted immediately after an earthquake is the proper evaluation of the state of building damage. This information would shed light on rescue planning, humanitarian processes, and rehabilitation of areas. Thanks to its advantages of feasibility, such as not being invasive, low cost, wide cover, and timeliness in response, which make Remote-sensing methods are indispensable to extract damaged information. With continuous technological improvement and an increasing availability of multi-type remote-sensing data, more and more technologies can be developed and applied. A new framework is proposed in this study, which combines SAR and optical satellite imagery by deep learning methodologies for complementary advantages. The developed method has been tested against traditional methods(individual application of SAR or Optical satellite-borne imagery) and achieved higher accuracy in post-earthquake scene damage detection. The accuracy of the Deep Learning model has been evaluated using Ground Truth data. Furthermore, the analysis was carried out at a building level, rather than the pixel level, enhancing the precision of damage identification by focusing on aggregated structural data rather than discrete pixel information. This type of approach to building-scale assessment gives a more holistic picture of the extent and spread of damage, a feature critical for disaster response that is effective and urban resilience planning.

I terremoti sono tra i disastri naturali più distruttivi, che possono portare a enormi perdite in termini di vite umane. Uno dei compiti più urgenti che deve essere affrontato subito dopo un terremoto è la corretta valutazione dello stato dei danni agli edifici. Queste informazioni sono fondamentali per pianificare i soccorsi, gli aiuti umanitari e la riabilitazione delle aree colpite. Le tecniche di telerilevamento sono indispensabili per ottenere informazioni sui danni grazie alla possibilità di osservazione a distanza, al basso costo, all'ampia copertura e alla tempestività della risposta. Con il continuo miglioramento tecnologico e la crescente disponibilità di dati di telerilevamento, è possibile sviluppare nuove applicazioni. In questo studio viene proposto un nuovo framework che combina immagini satellitari SAR e ottiche attraverso metodologie di deep learning per sfruttarne i vantaggi complementari. Il metodo sviluppato è stato testato rispetto ai metodi tradizionali (applicazione individuale delle immagini satellitari SAR o ottiche) e ha ottenuto una maggiore precisione nel rilevamento dei danni post-terremoto. L'accuratezza del modello di deep learning è stata valutata utilizzando dati di verità a terra. Inoltre, l'analisi è stata condotta a livello di edifici, piuttosto che a livello di pixel, migliorando la precisione nell'identificazione dei danni concentrandosi su dati strutturali aggregati piuttosto che su informazioni discrete dei singoli pixel. Questo tipo di approccio alla valutazione a scala di edificio fornisce un quadro più olistico dell'entità e della diffusione dei danni, una caratteristica fondamentale per una risposta efficace ai disastri e per la pianificazione della resilienza.