摘要
战争对城市地区造成的破坏程度是国际救援行动、影响评估和重建决策的关键信息。然而，如何精准定位严重损毁区域仍面临巨大挑战。本研究提出了一种基于时序知识引导的检测方案（TKDS），结合像素级 Transformer 网络（PtNet），利用卫星影像对叙利亚内战和俄乌冲突战区进行城市损毁监测。相较于现有最先进方法，TKDS-PtNet 模型在六座叙利亚城市的战争损毁识别 F1 分数提升了 44.0（72.5 vs 28.5），在四座乌克兰城市提升了 34.2（83.5 vs 49.3）。研究进一步利用识别出的损毁建筑数据，估算了受影响人口数量及医院、学校等关键基础设施的破坏程度。结果表明，这种可重复、成本较低的方案在战争、地震或极端天气事件导致的城区损毁近实时监测方面具有巨大潜力。研究发现突出强调了采取行动制止冲突、建立机制预防当前及未来军事行动对城市造成破坏的极端重要性。
关键词：卫星图像，战争破坏监测（war damage monitoring）、时间知识引导检测方案，像素 Transformer 网络（PtNet）、叙利亚内战，俄乌冲突，受影响人口，关键基础设施
论文题目：War city profiles drawn from satellite images
发表时间：2024 年 4 月 9 日
论文地址：https://doi.org/10.1038/s44284-024-00060-6
期刊名称：Nature Cities
现代战争中，城市往往是冲突的核心战场。叙利亚内战持续十余年，俄乌冲突持续升级，重武器攻击导致大量建筑倒塌、基础设施瘫痪，而传统的人工评估手段因战区的危险性难以实施。如何快速、精准地评估城市破坏程度，成为国际人道救援和重建决策的关键难题。近期，Nature Cities 发表的一项研究提出了一种时间知识引导检测方案（TKDS），结合像素级 Transformer 网络（PtNet），利用卫星图像实现了对战争破坏的高精度监测，为这一领域带来了突破性进展。
TKDS-PtNet 的设计：从卫星图像到时空知识
战争破坏的监测面临两大挑战：一是被毁建筑在卫星图像中分布稀疏且占比极低（如叙利亚城市中损毁建筑仅占 3.9%），导致极端类别不平衡；二是公开可用的中分辨率卫星图像（如 10 米分辨率）中，单个建筑仅占不到 5 个像素，细节信息严重缺失。
为此，TKDS 创新性地将时间维度规律融入模型：战争中建筑一旦损毁便难以重建，因此损毁状态在时间序列上具有不可逆性。具体而言，模型以战前图像为基准，将不同时间点的战后图像按时间排序，构建多时序图像块序列作为输入。PtNet 通过像素级语义嵌入提取每个图像块的特征，再通过时间总变差正则化（TTV）约束模型学习破坏的时空模式，最后利用时间卷积解码器（TCD）整合上下文关系输出检测结果。
图 1. TKDS-PtNet 架构。BN、FN 和 MLP 分别代表批处理归一化、特征归一化和多层感知机。
图 2. 城市损毁监控工作流。
跨越战场：叙利亚与乌克兰的破坏图景
研究团队选取叙利亚的阿勒颇（Aleppo）、霍姆斯（Homs）等 6 个城市，以及乌克兰的马里乌波尔（Mariupol）、北顿涅茨克（Sievierodonetsk）等 4 个城市进行验证。结果显示：
在叙利亚内战中，阿勒颇损毁最严重，38,514 栋建筑被毁，包括 23 所学校、6 家医院及大量历史遗迹，约 7.8 万 -10.3 万人受影响。霍姆斯和哈马的损毁区域呈条带状分布，与激烈巷战模式吻合。而在俄乌冲突中，马里乌波尔中部和南部的工业区受损严重，31 座工业建筑被毁；卢比日内（Rubizhne）的损毁建筑中，22% 为工业设施，凸显冲突对经济基础设施的打击。
模型还结合人口数据（WorldPop）和基础设施地图（OpenStreetMap），估算了受影响人口规模：叙利亚六城约 11.7 万 -15.9 万人、乌克兰四城约 3971-4192 人直接暴露于损毁区域，医疗和教育服务中断风险显著。
图 3. 叙利亚阿勒颇、霍姆斯、拉卡、哈马、代尔祖尔和伊德利卜城市以及乌克兰马里乌波尔、鲁比日涅、西维耶罗顿涅茨克和沃尔诺瓦卡城市的建筑破坏和人口分布情况。红色矩形代表被完全破坏的建筑足迹（为了视觉上的舒适，已经调整了正方形的大小）。医院（黄色圆圈）和学校（绿色三角形）的位置来自 OSM 数据。橙色和粉色的多边形代表了这个城市所有的建筑足迹。在霍姆斯、拉卡、哈马和伊德利卜等城市，OSM 数据大量缺失，GlobalMLBuildingFootprints 数据被用作建筑足迹的替代数据。背景地图颜色表示战争期间每个 100 米 × 100 米网格单元的平均人口密度。
泛化能力与可靠性：从数据稀缺到实战验证
TKDS-PtNet 在叙利亚 6 个城市和乌克兰 4 个城市的测试中表现卓越：使用 0.5 米分辨率图像时，F1 分数达 86.1；即使采用 10 米分辨率图像，F1 分数仍达 72.5，较传统卷积神经网络（CNN）提升 44% 以上。
为验证模型的实用性，团队设计了半监督域适应策略（SSDA），结合最大均值差异（MMD）和对比学习（SCL），仅需 5% 的目标城市标注数据即可实现高精度迁移。例如，在乌克兰北顿涅茨克（损毁建筑仅占 0.4%）的极不平衡场景下，模型 F1 分数仅下降 5.3。
外部验证进一步佐证了结果：通过比对超 100 万次轰炸事件（LiveUAmap 数据）与模型预测，发现轰炸后损毁检测值显著上升（叙利亚 +112%，乌克兰 +440%）。可视化分析（Grad-CAM）显示，TKDS-PtNet 能精准聚焦损毁区域，而传统 CNN 因缺乏时序约束易产生误判。
表 1. 在叙利亚城市使用 0.5 m 分辨率和 10 m 分辨率卫星图像作为输入的模型表现，以及在乌克兰城市使用多光谱 Sentinel-2 卫星图像作为输入的模型表现。
从监测到行动：重建和平城市的启示
TKDS-PtNet 的突破在于其可重复性和低成本：仅需公开的中分辨率卫星数据，即可近乎实时追踪城市破坏，为地震、极端天气等灾害评估提供通用方案。然而，研究也指出局限：当前仅检测 " 完全损毁 " 建筑，部分损毁或内部结构破坏难以通过卫星图像识别；模型依赖标注数据，可能引入偏差，需结合实地核查。
战争对城市文明的摧毁，不仅是建筑的倒塌，更是人类共同记忆的流失。精准的破坏地图为重建提供了起点，但终结冲突、守护城市，仍需超越技术的勇气与共识。
彭晨 | 编译
时序时空大模型读书会
现代生活产生了大量的时序数据和时空数据，分析这些数据对于深入理解现实世界系统的复杂性和演化规律至关重要。近期，受到大语言模型（LLM）在通用智能领域的启发，" 大模型 + 时序 / 时空数据 " 这个新方向迸发出了许多相关进展。当前的 LLM 有潜力彻底改变时空数据挖掘方式，从而促进城市、交通、遥感等典型复杂系统的决策高效制定，并朝着更普遍的时空分析智能形式迈进。
集智俱乐部联合美国佐治亚理工学院博士 & 松鼠 AI 首席科学家文青松、香港科技大学（广州）助理教授梁宇轩、中国科学院计算技术研究所副研究员姚迪、澳大利亚新南威尔士大学讲师薛昊、莫纳什大学博士生金明等五位发起人，共同发起以" 时序时空大模型 " 为主题的系列读书会，鼓励研究人员和实践者认识到 LLM 在推进时序及时空数据挖掘方面的潜力，共学共研相关文献。读书会已完结，现在报名可加入社群并解锁回放视频权限。
详情请见：
城市科学读书会
随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。我们迫切需要对城市的基本运行规律有科学的认知。近十几年来，智能手机、物联网、卫星遥感可以帮助获取高精度的城市数据；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。此外，复杂科学从演生视角，在不同时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；基于复杂系统的模拟方法也在实践中有广阔的应用前景。
在这个大背景下，集智俱乐部" 城市科学 " 读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理 " 城市作为复杂系统 " 的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会已完结，现在报名可加入社群并解锁回放视频权限。
详情请见：
