摘要

戰爭對城市地區造成的破壞程度是國際救援行動、影響評估和重建決策的關鍵信息。然而，如何精準定位嚴重損毀區域仍面臨巨大挑戰。本研究提出了一種基于時序知識引導的檢測方案（TKDS），結合像素級Transformer網絡（PtNet），利用衛星影像對敘利亞內戰和俄烏沖突戰區進行城市損毀監測。相較于現有最先進方法，TKDS-PtNet模型在六座敘利亞城市的戰爭損毀識別F1分數提升了44.0（72.5 vs 28.5），在四座烏克蘭城市提升了34.2（83.5 vs 49.3）。研究進一步利用識別出的損毀建筑數據，估算了受影響人口數量及醫院、學校等關鍵基礎設施的破壞程度。結果表明，這種可重復、成本較低的方案在戰爭、地震或極端天氣事件導致的城區損毀近實時監測方面具有巨大潛力。研究發現突出強調了采取行動制止沖突、建立機制預防當前及未來軍事行動對城市造成破壞的極端重要性。

關鍵詞：衛星圖像，戰爭破壞監測（war damage monitoring）、時間知識引導檢測方案，像素Transformer網絡（PtNet）、敘利亞內戰，俄烏沖突，受影響人口，關鍵基礎設施

論文題目：War city profiles drawn from satellite images 發表時間：2024年4月9日 論文地址：https://doi.org/10.1038/s44284-024-00060-6 期刊名稱：Nature Cities

現代戰爭中，城市往往是沖突的核心戰場。敘利亞內戰持續十余年，俄烏沖突持續升級，重武器攻擊導致大量建筑倒塌、基礎設施癱瘓，而傳統的人工評估手段因戰區的危險性難以實施。如何快速、精準地評估城市破壞程度，成為國際人道救援和重建決策的關鍵難題。近期，Nature Cities 發表的一項研究提出了一種時間知識引導檢測方案（TKDS），結合像素級Transformer網絡（PtNet），利用衛星圖像實現了對戰爭破壞的高精度監測，為這一領域帶來了突破性進展。

TKDS-PtNet的設計：從衛星圖像到時空知識

戰爭破壞的監測面臨兩大挑戰：一是被毀建筑在衛星圖像中分布稀疏且占比極低（如敘利亞城市中損毀建筑僅占3.9%），導致極端類別不平衡；二是公開可用的中分辨率衛星圖像（如10米分辨率）中，單個建筑僅占不到5個像素，細節信息嚴重缺失。

為此，TKDS創新性地將時間維度規律融入模型：戰爭中建筑一旦損毀便難以重建，因此損毀狀態在時間序列上具有不可逆性。具體而言，模型以戰前圖像為基準，將不同時間點的戰后圖像按時間排序，構建多時序圖像塊序列作為輸入。PtNet通過像素級語義嵌入提取每個圖像塊的特征，再通過時間總變差正則化（TTV）約束模型學習破壞的時空模式，最后利用時間卷積解碼器（TCD）整合上下文關系輸出檢測結果。

圖 1. TKDS-PtNet架構。BN、FN和MLP分別代表批處理歸一化、特征歸一化和多層感知機。

圖 2. 城市損毀監控工作流。

跨越戰場：敘利亞與烏克蘭的破壞圖景

研究團隊選取敘利亞的阿勒頗（Aleppo）、霍姆斯（Homs）等6個城市，以及烏克蘭的馬里烏波爾（Mariupol）、北頓涅茨克（Sievierodonetsk）等4個城市進行驗證。結果顯示：

在敘利亞內戰中，阿勒頗損毀最嚴重，38,514棟建筑被毀，包括23所學校、6家醫院及大量歷史遺跡，約7.8萬-10.3萬人受影響。霍姆斯和哈馬的損毀區域呈條帶狀分布，與激烈巷戰模式吻合。而在俄烏沖突中，馬里烏波爾中部和南部的工業區受損嚴重，31座工業建筑被毀；盧比日內（Rubizhne）的損毀建筑中，22%為工業設施，凸顯沖突對經濟基礎設施的打擊。

模型還結合人口數據（WorldPop）和基礎設施地圖（OpenStreetMap），估算了受影響人口規模：敘利亞六城約11.7萬-15.9萬人、烏克蘭四城約3971-4192人直接暴露于損毀區域，醫療和教育服務中斷風險顯著。

圖 3. 敘利亞阿勒頗、霍姆斯、拉卡、哈馬、代爾祖爾和伊德利卜城市以及烏克蘭馬里烏波爾、魯比日涅、西維耶羅頓涅茨克和沃爾諾瓦卡城市的建筑破壞和人口分布情況。紅色矩形代表被完全破壞的建筑足跡（為了視覺上的舒適，已經調整了正方形的大小）。醫院（黃色圓圈）和學校（綠色三角形）的位置來自OSM數據。橙色和粉色的多邊形代表了這個城市所有的建筑足跡。在霍姆斯、拉卡、哈馬和伊德利卜等城市，OSM數據大量缺失，GlobalMLBuildingFootprints數據被用作建筑足跡的替代數據。背景地圖顏色表示戰爭期間每個100米× 100米網格單元的平均人口密度。

泛化能力與可靠性：從數據稀缺到實戰驗證

TKDS-PtNet在敘利亞6個城市和烏克蘭4個城市的測試中表現卓越：使用0.5米分辨率圖像時，F1分數達86.1；即使采用10米分辨率圖像，F1分數仍達72.5，較傳統卷積神經網絡（CNN）提升44%以上。

為驗證模型的實用性，團隊設計了半監督域適應策略（SSDA），結合最大均值差異（MMD）和對比學習（SCL），僅需5%的目標城市標注數據即可實現高精度遷移。例如，在烏克蘭北頓涅茨克（損毀建筑僅占0.4%）的極不平衡場景下，模型F1分數僅下降5.3。

外部驗證進一步佐證了結果：通過比對超100萬次轟炸事件（LiveUAmap數據）與模型預測，發現轟炸后損毀檢測值顯著上升（敘利亞+112%，烏克蘭+440%）。可視化分析（Grad-CAM）顯示，TKDS-PtNet能精準聚焦損毀區域，而傳統CNN因缺乏時序約束易產生誤判。

表 1. 在敘利亞城市使用0.5 m分辨率和10 m分辨率衛星圖像作為輸入的模型表現，以及在烏克蘭城市使用多光譜Sentinel-2衛星圖像作為輸入的模型表現。

從監測到行動：重建和平城市的啟示

TKDS-PtNet的突破在于其可重復性和低成本：僅需公開的中分辨率衛星數據，即可近乎實時追蹤城市破壞，為地震、極端天氣等災害評估提供通用方案。然而，研究也指出局限：當前僅檢測“完全損毀”建筑，部分損毀或內部結構破壞難以通過衛星圖像識別；模型依賴標注數據，可能引入偏差，需結合實地核查。

戰爭對城市文明的摧毀，不僅是建筑的倒塌，更是人類共同記憶的流失。精準的破壞地圖為重建提供了起點，但終結沖突、守護城市，仍需超越技術的勇氣與共識。

彭晨| 編譯

時序時空大模型讀書會

現代生活產生了大量的時序數據和時空數據，分析這些數據對于深入理解現實世界系統的復雜性和演化規律至關重要。近期，受到大語言模型（LLM）在通用智能領域的啟發，"大模型+時序/時空數據”這個新方向迸發出了許多相關進展。當前的LLM有潛力徹底改變時空數據挖掘方式，從而促進城市、交通、遙感等典型復雜系統的決策高效制定，并朝著更普遍的時空分析智能形式邁進。

集智俱樂部聯合美國佐治亞理工學院博士&松鼠AI首席科學家文青松、香港科技大學（廣州）助理教授梁宇軒、中國科學院計算技術研究所副研究員姚迪、澳大利亞新南威爾士大學講師薛昊、莫納什大學博士生金明等五位發起人，共同發起以，鼓勵研究人員和實踐者認識到LLM在推進時序及時空數據挖掘方面的潛力，共學共研相關文獻。讀書會已完結，現在報名可加入社群并解鎖回放視頻權限。

詳情請見：

城市科學讀書會

隨著工業化和現代化的發展，世界范圍內的城市化率不斷提高，越來越多的人口聚集在城市，使得交通擁堵、環境污染、資源短缺等城市問題日益嚴峻。 我們迫切需要對城市的基本運行規律有科學的認知。 近十幾年來，智能手機、物聯網、衛星遙感可以幫助獲取高精度的城市數據； 機器學習、人工智能的發展，為處理大規模多源異構數據提供了技術手段。 此外，復雜科學從演生視角，在不同時空尺度上研究城市現象的基礎規律，豐富了城市科學的理論框架； 基于復雜系統的模擬方法也在實踐中有廣闊的應用前景。

在這個大背景下，集智俱樂部由北京大學助理教授董磊聯合明尼蘇達大學助理教授朱遞、中南大學地球科學與信息物理學院教授李海峰、北京航空航天大學計算機學院博士寄家豪共同發起，分享、討論和梳理“城市作為復雜系統”的理論、研究方法及應用，希望促進相關領域學者的交流，推動交叉學科間的合作，促進城市科學的發展和研究。讀書會已完結，現在報名可加入社群并解鎖回放視頻權限。

詳情請見：

1.

2.

3.

4.

5.

6.