Um das Problem der räumlichen Heterogenität von Multi-Source-Satellitenbildern zu unterschiedlichen Zeiten zu lösen, hat diese Studie das Modell des Netzwerks FTN (Fully Transformer Network) verbessert und das Modell des Netzwerks zur Detektion von Veränderungen in eingestürzten Gebäuden SWSACNet (Sliding-Window-Shift Attention Convolution mix Network) vorgestellt, das auf einem end-to-end-Ansatz basiert und die Merkmale durch ein Schiebefenster und einen Mechanismus zur Mischung der Aufmerksamkeit von Faltung verstärkt. SWSACNet basiert auf dem Rahmen des FTN-Modells, verwendet ACmix (Attention Convolution mix) zur effizienten Identifizierung von Merkmalen eingestürzter Gebäude in Multi-Source-Bildern und schwächt den Effekt der räumlichen Verschiebung in Multi-Source-Bildern ab, indem es die Ähnlichkeitsmerkmale der Schiebefenster vergleicht. Am Beispiel eines Erdbebens der Magnitude 7,8 in der Türkei am 6. Februar 2023 wurden hochauflösende Bilder vor dem Erdbeben, Bilder von Google und Bilder von Beidou-3 nach dem Erdbeben gesammelt, um ein Datensatz zur Detektion von Veränderungen in eingestürzten Gebäuden zu erstellen. Modelle SWSACNet, FTN und 5 weitere Modelle für die Detektion von Veränderungen und die Extraktion eingestürzter Gebäude in der Erdbebenzone trainiert. Die Ergebnisse des Experiments zeigten, dass die Erkennungsgenauigkeit von SWSACNet 80,8% erreichte, mIoU betrug 67,8%, was besser ist als bei anderen 4 Modellen. Angewandt auf die Szenarien 3Fevaipasa, Nurdagi und Islahiye, betrug die durchschnittliche Genauigkeit des F1-Modells 60,84%, was darauf hinweist, dass das Modell hinsichtlich der Generalisierungsleistung verbessert werden muss.

Fernerkundung; Multi-Source-Bilder; Deep Learning; Veränderungserkennung; Extraktion von eingestürzten Gebäuden