Page 98 - 《武汉大学学报（信息科学版）》2025年第6期

1120 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

合 多 个 专 业 系 统 的 实 时 数 据 和 专 业 分 析 能 力 ， 影像建筑灾损评估、高点图像智能灾变监测 3 个
实 现 救 援 力 量 与 物 资 的 动 态 与 风 险 、救 援 处 置 方面进行了优化，关键技术指标对比见表 3。由
行 动 的 态 势 及 成 效 等 作 战 情 报 的 自 动 生 成 和 表 3 可 以 看 出 ，本 文 方 法 的 精 度 均 取 得 最 优 分
服务。 数 ，其 中 ，自 然 语 言 灾 情 提 取 的 F1 分 数 比 最 佳

在 处 理 效 率 方 面 ，基 于 流 式 处 理 技 术 构 建 基准模型 Bert-CRF 提升约 6.4%，遥感影像建筑
了 ICASS 情 报 总 线 ，使 数 据 汇 入 到 情 报 生 成 的 灾 损 评 估 的 综 合 F1 分 数 比 最 佳 基 准 模 型
时延缩短至约 10 min，并初步实现了多来源、多 BDANet 提 升 约 5.5%，高 点 图 像 智 能 灾 变 监 测
主题时空情报的统一管理和按需服务。图 5 展 的 回 归 框 平 均 精 度 bbox_mAP 和 像 素 平 均 精 度
示了情报总线支持下的典型应急处置应用。在 seg_mAP 分别比最佳基准模型 Mask2Former 和

算法处理方面，本文从自然语言灾情提取、遥感 Swin-Mask RCNN 提升约 5.9% 和 19.0%。

图 5 ICASS 应用功能
Fig. 5 ICASS Application Features

表 3 关键技术指标对比
Table 3 Comparison of Key Technical Indicators
关键技术 方法 精确率 召回率 F1 分数
ERNIE 0.801 2 0.686 1 0.739 2
BERt-Base 0.743 1 0.792 5 0.767 0
自然语言灾情提取
Bert-CRF 0.803 5 0.753 4 0.777 6
本文方法 0.840 3 0.814 2 0.827 0
定位 F1 分数 识别 F1 分数 综合 F1 分数
ChangeOS 0.856 9 0.711 4 0.755 0
遥感影像建筑灾损评估 Rescue Net 0.840 1 0.734 8 0.766 4
BDANet 0.854 4 0.730 4 0.767 6
本文方法 0.866 4 0.783 0 0.809 8
边界框平均精度 像素平均精度
bbox_mAp bbox_mAp50 seg_mAP seg_mAP50
Mask RCNN 0.405 1 0.726 6 0.358 2 0.685 6
高点图像智能灾变监测
Swin-Mask RCNN 0.438 7 0.769 2 0.392 3 0.740 1
Mask2Former 0.475 2 0.758 8 0.382 7 0.720 5
本文方法 0.503 3 0.831 0 0.466 9 0.819 1