Abstract Assessing damage on the ground is a challenging task for humanitarian organizations and disaster managers due to the limited availability of data and methods for processing. As the most commonly adopted data source, remote sensing imagery can only reflect the damage situation on top of a building and fails to present the damage level from the perspective of the human eye. Recently, an increasing number of Google Street View (GSV) images provide the chance to understand the human's perception of damage on the ground. However, to automatically and quantitatively apply GSV images in damage assessment, two research questions need to be answered: (1) Can deep learning be successfully applied to automate the process of evaluating postdisaster damage using GSV images? (2) Does damage assessment using GSV images provide a different insight, compared with existing approaches, such as remote sensing imagery? Based on our experiments using GSV images and remote sensing imagery in Mexico Beach, FL after Hurricane Michael, we present two conclusions: (1) By applying a deep learning model, the GSV-based damage assessment can be satisfactorily and automatically conducted, with an accuracy of approximately 70% for a single GSV image. (2) GSV images provide a different insight into damage assessment since remote sensing imagery cannot record the damage to exterior walls, windows, doors and facades. When the overall damage level is relatively low, GSV images show better performance in damage assessment. Conversely, when the overall damage level is relatively high, remote sensing imagery shows better performance based our experiments.

中文翻译：

---

使用 Google 街景进行损害评估：来自佛罗里达州墨西哥海滩的迈克尔飓风的证据

摘要 由于数据和处理方法的可用性有限，评估实地损失对人道主义组织和灾害管理人员来说是一项具有挑战性的任务。作为最常用的数据源，遥感影像只能反映建筑物顶部的损坏情况，无法从人眼的角度呈现损坏程度。最近，越来越多的谷歌街景 (GSV) 图像提供了了解人类对地面损坏感知的机会。然而，要自动和定量地将 GSV 图像应用于损害评估，需要回答两个研究问题：（1）深度学习能否成功应用于使用 GSV 图像评估灾后损害的过程？(2) 使用 GSV 图像进行损伤评估是否提供了不同的见解，与现有方法（例如遥感图像）相比？根据我们在迈克尔飓风过后在佛罗里达州墨西哥海滩使用 GSV 图像和遥感图像的实验，我们得出两个结论：(1) 通过应用深度学习模型，可以令人满意地自动进行基于 GSV 的损害评估，单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。比如遥感影像？根据我们在迈克尔飓风过后在佛罗里达州墨西哥海滩使用 GSV 图像和遥感图像的实验，我们得出两个结论：(1) 通过应用深度学习模型，可以令人满意地自动进行基于 GSV 的损害评估，单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。比如遥感影像？根据我们在迈克尔飓风过后在佛罗里达州墨西哥海滩使用 GSV 图像和遥感图像的实验，我们得出两个结论：(1) 通过应用深度学习模型，可以令人满意地自动进行基于 GSV 的损害评估，单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。在飓风迈克尔之后的 FL，我们提出两个结论：（1）通过应用深度学习模型，可以令人满意地自动进行基于 GSV 的损伤评估，单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。在飓风迈克尔之后的 FL，我们提出两个结论：（1）通过应用深度学习模型，可以令人满意地自动进行基于 GSV 的损伤评估，单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。单个 GSV 图像的准确度约为 70%。(2) GSV 图像提供了对损坏评估的不同见解，因为遥感图像无法记录对外墙、窗户、门和外墙的损坏。当整体损伤水平较低时，GSV图像在损伤评估中表现出更好的性能。相反，当整体损伤水平相对较高时，基于我们的实验，遥感图像表现出更好的性能。