4 of 28

應用深度學習於道路及建物災損辨識

輔助並優化災害應變流程

災害

應變

透過航遙測影像及公開災害評估資料，訓練 AI模型以模擬人類執行建物毀損程度、可通行路網判釋

災前

整備

當災害發生時，利用AI模型

可通行、毀損道路辨識

建物災損分級

加速房屋救援優先順序規劃
即時救災最佳路線規劃

應變

階段

災害損失快速評估
房屋、道路修補資源有效分配

復原

階段

速度、效率

補足因通訊斷聯、道路中斷、安全性等問題，無法執行人為勘災造成的資訊不完全

應變

階段

資訊獲得完整性

www.aiengineer.tw

5 of 28

資料類型與挑戰

多來源之資料類型
災害資料之類別不平衡

www.aiengineer.tw

6 of 28

多來源之資料類型

資料類型	光學影像	合成孔徑雷達	航遙測飛機	UAV	建物與災害事件參數
圖例
解析度	~0.5m	~0.35 m	~0.3	~0.05	–
影像範圍	375 m x 375 m	150 m x 180 m	225 m x 225 m	37.5 m x 37.5 m	–
	提供大範圍拍攝取得時間依衛星時間解析度而變，機動性較低	提供大範圍拍攝取得時間依衛星時間解析度而變，機動性較低全天侯及全時相影響	機動性高，可針對特定區域拍攝	機動性高，提供更細緻的影像，用以確認特定樓房、道路的狀況	多元的判斷標準來自建物及災害本身的參數提供建物外部無法直接觀察到的損壞特徵

案例編號樓層數
樓地板面積
地震震度

損壞等級（災損等級）

www.aiengineer.tw

7 of 28

災害資料之類別不平衡

災後道路及建物損壞影像在破壞類別的樣本數量差異過大，導致模型偏向學習數量多的樣本，而對少數類別有著較差的預測。團隊之解決方案如下：

採樣技術（Up/down sampling technique）

保留少數類別的所有資料，並降低多數類別的資料量。也可以對少數類別進行重新取樣，並搭配不同的資料增強方法，以增加模型學習其特徵的機會。

考慮類別距離之損失函數 Ordinal Class Distance Penalty Loss, OCDPL

此損失函數係由 Dice loss 延伸而來，以維持在前景與背景樣本不平衡情況下的穩健性。
(𝛼 + 𝛽Φ) 表示加權序位類別距離圖（Weighted Ordinal Class Distance Map）。
當預測類別與真實類別之間的序位距離越大時，(𝛼 + 𝛽Φ) 會對假陽性（FP）與假陰性（FN）施加更大的懲罰。

以xBD資料分佈為例

Tsai, F.-J. and Lin, S.-Y.* （2023） A Class Distance Penalty Deep Learning Method for Post-disaster Building Damage Assessment. KSCE Journal of Civil Engineering. ）

www.aiengineer.tw

8 of 28

道路阻斷範圍辨識

生成模擬之災後資料
整合數值路網圖

www.aiengineer.tw

9 of 28

大範圍道路阻斷範圍辨識與分析

災後遙測影像(須為正射影像)

模型判識破壞位置結果

2145m

1640m

透過災後正射影像及AI影像辨識技術快速掌握道路損壞位置及範圍

損壞位置

道路

2010海地地震:

發生日期: 2010.01.12

影像拍攝時間: 2010.01.15

影像來源: Worldview-1 satellite (解析度: 0.5 m)

www.aiengineer.tw

10 of 28

使用基於範例之GAN 模型產生災後合成影像

Context of Real Damage Road

Feature of damaged road in studied region

Simulated post-disaster image

Selected exemplar reference

Input mask

(green box 🡪 damage sections)

Pre-disaster image

www.aiengineer.tw

11 of 28

大範圍道路阻斷模型訓練流程

訓練資料集準備

生成模擬之災後資料集

道路損壞辨識模型訓練

模型一: 道路提取模型

模型二: 災損辨識模型

訓練

預測結果(路網+災損位置)

測試

災害影響路段地圖

投影至地圖

以災前後遙測影像作為輸入

損壞位置判釋結果

模型一

模型二

www.aiengineer.tw

12 of 28

整合數值路網圖

應用模型進行衛星影像之房屋及道路損壞標示、並投影至地圖及數值路網圖，判釋災點並進行後續救災路線路線規劃（＋強調災害分級）

以 2008 莫拉克風災小林村示範

回傳各路段對應之破壞狀況及路段資訊（如路名、路長、ROADID）

www.aiengineer.tw

13 of 28

應用案例 (一) - 20220918花蓮地震

以高寮大橋展示

災後遙測影像

損壞位置

道路

AI模型損壞判識

後處理計算破壞路段

投影至地圖並進行分級

影像資訊：

發生日期: 2022.09.18

影像拍攝時間: 2022.09.21

影像來源: 農航所航攝影像_原始影像�(解析度: 0.25 m)

經本團隊人工校正，但仍有些許誤差

臺灣數值路網圖（國家地震工程研究中心）

可通行

服務減損

交通阻斷

其他

www.aiengineer.tw

14 of 28

應用案例 (二) - 2009莫拉克風災

高雄小林村

災後遙測影像

AI模型損壞判識

後處理計算破壞路段

投影至地圖並進行分級

損壞位置

道路

可通行

服務減損

交通阻斷

其他

影像資訊：

發生日期: 2008.08.06-08.09

影像拍攝時間: 2008.09.07

影像來源: 農航所航攝影像_原始影像�(解析度: 0.25 m)

經本團隊人工校正，但仍有些許誤差

www.aiengineer.tw

15 of 28

應用案例 (二) - 2009莫拉克風災

高雄小林村

災後遙測影像

投影至地圖並進行分級

可通行

服務減損

交通阻斷

其他

影像資訊：

發生日期: 2008.08.06-08.09

影像拍攝時間: 2008.09.07

影像來源: 農航所航攝影像_原始影像�(解析度: 0.25 m)

經本團隊人工校正，但仍有些許誤差

road net
Recall_loc	0.778
precision_loc	1.000
F1_loc	0.875
overall
Recall_overall	0.651
precision_overall	0.688
F1_overall	0.655
damage
Recall_dam	0.681
precision_dam	0.800
F1_dam	0.736

人工識別結果

www.aiengineer.tw

16 of 28

應用案例 (三) – 20240403 花蓮地震

花蓮市區及山區

影像資訊：

發生日期: 2024.04.03

影像拍攝時間: 2024.04.30&04.03

影像來源: 農航所航攝影像_原始影像�(解析度: 0.25 m)

經本團隊人工校正，但仍有些許誤差

www.aiengineer.tw

17 of 28

大範圍建物損壞辨識

運用堆疊集成之技術
多模態模型

www.aiengineer.tw

18 of 28

運用堆疊集成技術於小範圍之建物損壞辨識與分析

UAV 影像

YOLOv8

單棟建物影像

MobileNetv3

Bbox	no	minor	major	destroyed	Pred	GT
(x,y,w,h)	0.1	0.5	0.4	0.2	2 (minor)	3 (major)

Pred
1 (severe)

no	minor	major	destroyed	Pred
0.1	0.5	0.6	0.2	3 (major)

模型一：物件偵測模型

模型二：影像分類模型

結果輸出

單棟建物結果輸出

訓練資料搜集

資料前處理

模型一：物件偵測模型

模型二：影像分類模型

訓練

預測結果

測試

模型三：元學習模型

Meta Learner

模型三：元學習模型

以災後 UAV 影像作為輸入

www.aiengineer.tw

19 of 28

應用案例-颶風災害

	Baseline (YOLO v8)			Meta Learner (NN)
Class	P	R	F1	P	R	F1
All	0.48	0.53	0.49	0.58	0.59	0.59
No damage	0.89	0.92	0.90	0.91	0.88	0.90
Minor	0.32	0.18	0.23	0.32	0.40	0.36
Major	0.22	0.28	0.24	0.39	0.41	0.40
Destroyed	0.49	0.75	0.59	0.70	0.67	0.69

ISBDA 資料集取自美國三場嚴重颶風災害，影像由 10 個不同的幀（frames）中取得，共有 1,025 張影像

哈維颶風

（Hurricane Harvey）

邁可颶風

（Hurricane Michael ）

佛羅倫斯颶風

（Hurricane Florence）

T: Ground truth

Y: YOLO v8

M: Meta learner

www.aiengineer.tw

20 of 28

大範圍之建物損壞辨識與分析（一）- 多模態模型

深度學習模型

(災前災後影像)

機器學習模型

(建物與災害事件參數)

以災前後衛星影像及建物與災害事件參數資料作為輸入

災損分級

www.aiengineer.tw

21 of 28

應用案例-地震災害

Case No. : C050

Height: 9

Floor area: 608.33

Materials: Mud_mortar_stone

Intensity: 0.72

Damage: 3

Final Prediction

模型	訓練資料	微調資料	測試資料
參數模型	Data-2015 Nepal Earthquake(2)	Data-2010 Haiti Earthquake, Data-2015 Nepal Earthquake(1)	Data-Paired �Dataset 1
影像模型	xBD Dataset	Img-2010 Haiti Earthquake (1), Img-2023 Turkey Earthquake	Img-Paired�Dataset 1
多模態模型	Multi-Paired�Dataset 1	X	Multi-Paired�Dataset 1

Fusion	Combine Model	Precision	Recall	F1 Score
concatenation	XGBoost	0.555	0.542	0.539
addition	KNN	0.583	0.566	0.555
Metadata Model		0.370	0.373	0.368
Image Model		0.434	0.374	0.348

多模態模型

單模態模型

www.aiengineer.tw

22 of 28

大範圍之建物損壞辨識與分析（二） - 進行中

Transformer Encoder

UperNet Decoder

(B, N_opt, D)

(B, N_SAR, D)

(B, N_Meta, D)

Tokenizer

Input

Output

以災後光學、SAR影像及建物參數資料作為輸入

訓練資料集

搜集及前處理

端對端深度學習模型

訓練

預測結果

(災損位置＋等級)

測試

實務上影像取得之困境：

光學影像常受氣候、雲層及光照條件影響導致災後影像缺失
光學影像過度複雜的背景雜訊導致模型的學習困難

增加多來源資料：合成孔徑雷達（SAR）

提供全天候及全日照之影像
不同物理意義之資料表現，提供多元化影像資料作為評估標準

www.aiengineer.tw

23 of 28

初步應用成果-2010海地地震

2010 年 1 月 12 日　海地地震（Mw 7.0）

光學影像（Optical image）

影像來源: MAXAR ARD（分析就緒資料）
影像拍攝時間: 2010 年 1 月 15 日

合成孔徑雷達影像（SAR image）

影像來源: TerraSAR-X
影像拍攝時間: 2010 年 1 月 14 日
拍攝模式: StripMap 模式（條帶式成像）

結合光學與 SAR 的結果

僅用 concate 的結果已經可以取得一定的成效
模型架構預計延伸發展包含：模態對齊及特徵融合方法
後續加入建物metadata作為訓練資料

光學影像

合成孔徑雷達影像

Final OA (%)	Final mIoU (%)	IoU per class (%)
Final OA (%)	Final mIoU (%)	Background	Intact	Damaged	Destroyed
92.04	47.88	92.30	58.65	10.48	38.20

www.aiengineer.tw

24 of 28

小結

本團隊結合多來源資料與人工智慧技術，進行災後大範圍影像辨識與分析，判讀受損道路與建築情形，協助快速掌握整體災情，確保救災資源配置的效率與即時性。此項技術不僅強化救災行動的決策支持能力，更大幅提升整體應變速度，可為未來防救災體系提供關鍵且穩固的技術支援。

www.aiengineer.tw

大範圍區域防救災技術與應用探討

1:前言

有別於針對建築橋樑之個體本身結構構物之評估探究，以城市與地區為主體，推動防災業務與災害應變的策略或戰略時，我們需要在災害熱區語熱點的提前識別，災害發生後對於災害訊息的即時掌握與處理！大範圍災害在災前，我們需要關注大範圍空間的檢視與大量訊息的處理。

我的投影片介紹主題

內容包含

1. 地圖平台介紹

2. 地震損失評估技術（包含teles 暨有服務

3. 救援道路規劃與風險評估技術 (災前) 識別地方高風險街區與路段

4. 災中訊息處理, 加快訊息處理與熱區識別（文字類訓息處理）

5.403 地震範例，花蓮, 台北, 新北。資料趨勢與熱區比較

0.5 sec 56250 m^2

25 of 28

研究團隊

呂紹銘博士生陳蓮安碩士生

郭文妮碩士生

蔡昉容研究助理�

Publications:

Tsai, F.-J. and Lin, S.-Y.* （2023） A Class Distance Penalty Deep Learning Method for Post-disaster Building Damage Assessment. KSCE Journal of Civil Engineering. （SCIE）
Kuo, W. N., & Lin, S. Y. （2025）. Multimodal models for assessing earthquake-induced building damage using metadata and satellite imagery. Journal of Building Engineering, 113467. （SCIE）
Chen, L. A., & Lin, S. Y. （2025）. Enhancing road damage identification in satellite images through synthetic data. International Journal of Disaster Risk Reduction, 116, 105091. （SCIE）
Lin, S. Y., Lu, S. M., & Tsai, F. J. （2026）. A Stacking Ensemble Approach for Postdisaster Building Damage Assessment. Journal of Computing in Civil Engineering, 40（2）, 04025158. Accepted. （SCIE）

林偲妘副教授

www.aiengineer.tw

26 of 28

謝謝聆聽!

www.aiengineer.tw

27 of 28

應用案例 (一) - 20220918花蓮地震

以高寮大橋展示

影像資訊：

發生日期: 2022.09.18

影像拍攝時間: 2022.09.21

影像來源: 農航所航攝影像_原始影像�(解析度: 0.25 m)

經本團隊人工校正，但仍有些許誤差

www.aiengineer.tw

28 of 28

應用案例-花蓮地震

2024

20220918花蓮地震

臺灣數值路網圖（國家地震工程研究中心）

災後遙測影像

AI模型損壞判識

後處理計算破壞路段

投影至地圖並進行分級

天王星大樓

影像資訊：

發生日期: 2022.09.18

影像拍攝時間: 2022.09.21

影像來源: 農航所航攝影像_原始影像 (解析度: 0.25 m)

經本團隊人工校正，仍有些許誤差

影像資訊：

發生日期: 2024.04.03

影像拍攝時間: 2024.04.30&04.03

影像來源: 農航所航攝影像_原始影像 (解析度: 0.25 m)

經本團隊人工校正，仍有些許誤差