震后大范围、高精度的灾损评估，是应急响应与恢复重建的决策基础。 如何穿透云雨烟尘、快速获取灾区具有明确物理含义的损毁信息，始终是全球遥感监测面临的挑战。合成孔径雷达（SAR）具备全天时、全天候的成像优势，理应是灾害监测的“主力军”。然而实际应用中，它却长期受制于‘宽幅覆盖’与‘极化信息完备性’难以两全的矛盾：全极化模式虽能凭借完整的散射矩阵精准解析建筑物损毁机理，但观测幅宽有限，难以应对大范围重灾区的监测需求；而覆盖范围广的双极化或简缩极化模式，又因极化信息不足，在面对复杂地物时往往“看不透、判不准”。针对这一痛点，可持续发展大数据国际研究中心（SDG中心）张红研究员团队提出了一系列基于物理约束扩散模型的全极化重建方法，并构建了面向应急响应的半监督损毁评估框架。相关系列成果已发表在ISPRS Journal of Photogrammetry and Remote Sensing，International Journal of Applied Earth Observation and Geoinformation及IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing等国际遥感领域权威期刊，为灾害应急提供了有力的科技支撑。

面对灾害应急中对“大范围普查”与“高精度详查”的双重渴望，团队攻克了简缩极化SAR数据重建全极化的难题。简缩极化模式拥有宽广的成像幅宽，非常适合灾后大面积受灾情况的快速摸排，但其极化信息的缺失往往导致对复杂倒塌建筑的误判。为了能够基于广域数据做出精准决策，团队提出了SAR-C2QM框架（基于数学-物理联合约束的多模态潜在扩散框架）。该研究设计了基于Cholesky分解的数学硬约束和基于二维相位向量编码的物理硬约束，从底层上保证了重建数据的真实性与可靠性。特别值得一提的是，考虑到地形起伏对雷达观测几何与散射特性的显著影响，该方法创新性地加入了地形与成像几何信息，让模型能够根据地形信息自动调整重建策略，显著提升了山区等复杂场景的识别精度。实验表明，该方法将Wishart距离误差降低了12.9%，同时将地物分类精度提升了15.1%。这标志着，在实际的大范围灾情监测中，终于可以不必在“看得广”和“看得准”之间再做取舍，为实现高效、精准的灾害评估提供了切实可行的技术方案。

与此同时，团队也解决了信息缺失更为严重的双极化到全极化的重建难题，并将其应用于地震建筑损毁评估，提出了双极化到全极化潜在扩散模型（D2QLDM）。双极化模式（如Sentinel-1的双极化数据）是目前在轨SAR卫星最主流的成像模式，具有极高的数据获取效率，但缺乏全极化信息限制了其在精细化灾害分析中的应用。D2QLDM模型在保持对数学物理性质严格约束的基础上，创新性地引入了即插即用的SVD参数微调模块，通过动态优化参数，以较少计算代价显著提升了重建精度。并且，团队还提出了一种基于Stokes矢量的极化度（DoP）频率特征分析方法，能更敏感地捕捉震后建筑倒塌所引发的去极化效应。多个地震案例验证表明，采用D2QLDM模型重建数据评估建筑损毁，相比原始双极化数据，对中度损毁建筑的识别F1分数提升了16.3%。这一结果证实，重建数据不仅有效复现了真实的散射机制，更为挖掘海量双极化历史存档数据的灾害监测潜力提供了关键技术支撑。

获得高质量重建全极化数据后，如何快速、准确提取灾害信息成为实现应用的“最后一公里”。为此，团队提出了基于图增强网络的全极化SAR半监督建筑物损毁评估框架（GESNet）。针对震后应急场景中大规模像素级人工标注耗时费力、制约模型快速部署的难题，研究构建了迭代式半监督学习策略：首先利用模糊C均值聚类从无标签数据中挖掘高置信度“伪标签”，再通过自训练策略持续优化模型，成功实现了“小样本驱动、大范围泛化”。在模型架构上，GESNet创新引入图上下文模块，将图像块构建为图结构，通过图消息传递机制突破传统卷积神经网络的感受野限制，赋予模型“全局视野”，使其能够捕捉建筑物损毁在空间上的连续性特征。同时，框架构建了包含对数比率、马氏距离等多级差异特征的输入向量，显著增强模型对建筑受损前后散射机制微弱变化的识别敏感度。在多个震区的实际测试中，该方法展现出很强鲁棒性，在少量标注样本下，其性能显著优于传统监督学习方法。

这一系列研究涵盖了从数据源头的全极化重建（SAR-C2QM, D2QLDM）到应用端的半监督智能解译（GESNet）的全过程，实现了数据物理重构与灾害信息分析的有效贯通。 这一成果不仅在理论上深化了SAR遥感物理机理与人工智能的融合，更为自然灾害的快速响应与精准评估提供了一种新思路。

图1 简缩极化至全极化数据重建框架（SAR-C2QM）

图2 双极化至全极化数据重建（D2QLDM）及建筑损毁评估框架

图3 全极化SAR图像半监督建筑损毁评估框架（GESNet）