NHERI-SimCenter/BrailsPlusPlus

# BRAILS++：用于大规模模拟的区域资产清单构建工具 [](https://static.pigsec.cn/wp-content/uploads/repos/2026/05/22d93b3e7d110409.svg) [](https://doi.org/10.5281/zenodo.17797364) [](https://pypi.org/project/BRAILS/) [](https://pypi.python.org/pypi/BRAILS/) ## 它是什么？ ```BRAILS++``` 是一个面向对象的框架，用于构建专注于为大型地理区域生成资产清单的应用程序。 BRAILS++ 提供了模块化的工作流，通过整合多种数据源来生成清单，这些数据源包括公共数据集、从图像中提取的特征以及基于规则集的推理模型。  在 BRAILS++ 中，资产清单由带有地理参考的点、线串或多边形组成，每个点、线串或多边形都标注有关键属性。为了构建这些清单，BRAILS++ 中的数据抓取工具与 Web 服务器进行交互，以创建适合作为区域尺度分析起点的清单蓝图。通过 BRAILS++ 访问的示例数据集包括 FEMA 的 USA Structures (FEMA, 2022)、Microsoft Footprints (Microsoft, 2022)、Overture Maps (Overture Maps Foundation, 2023)、OpenStreetMap (OpenStreetMap contributors, 2017)、美国陆军工程兵团的 NSI、TIGER/Line 道路数据 (U.S. Census Bureau, 2024)、FHWA 的国家桥梁和隧道清单 (FHWA, 2023; FHWA, 2024)、用于设计荷载的 ASCE REST 服务 (ASCE, 2025) 以及 HIFLD 基础设施数据 (U.S. Department of Homeland Security, 2024)。 尽管这些数据集很有价值，但它们通常包含不完整或不一致的信息，需要进一步增强以解决相应的不确定性。BRAILS++ 结合了处理缺失数据和增强现有数据集的方法，这些方法通过以下模块实现：1) 从公开可用的图像（例如 Google Street View）中进行特征提取；2) 清单合并，整合来自不同来源的元数据并解决不一致问题，例如不同的元数据取值或诸如底图未对齐的空间问题；3) 统计插补，以在假设部分资产存在缺失特征的情况下，生成所有资产的所有特征均已定义的合理清单；最后 4) 数据推理，以添加清单中不存在信息的资产属性，例如，可以使用施工时适用的建筑规范来推断典型的连接细节 (Kijewski-Correa et al., 2022)，例如用于风灾脆弱性评估的屋盖与墙体连接。 ## 仓库的目录结构是怎样的？ + ```brails```: 包含各个类的目录 - ```brails/types```: 包含有用数据类型的目录，例如 ```ImageSet``` 和 ```AssetInventory``` - ```brails/processors```: 包含执行 ```image_processing``` 以进行预测的类的目录，例如 RoofShape - ```brails/scrapers```: 包含执行网络下载任务的类的目录，例如底图和图像抓取工具。 - ```brails/filters```: 包含图像过滤器的目录，例如接收图像并修改或过滤掉图像中不必要部分的类。 - ```brails/aggregators```: 包含用于执行合并、连接和分配操作的类的目录，例如，组合来自不同数据集（清单或其他）的数据以创建单一清单。 - ```brails/imputers```: 包含用于填充缺失 ```AssetInventory``` 数据集的类的目录，即填充 AssetInventory 中特定 Asset 缺失的特征。 - ```brails/inferers```: 包含基于 ```AssetInventory``` 中 Asset 的现有特征推断新资产特征的类的目录。 - ```brails/utils```: 包含执行有用操作的杂项类的目录，例如几何转换 + ```examples```: 包含示例脚本和 Jupyter notebook 的目录 + ```tests```: 包含单元测试的目录。目录结构与 ```brails``` 的目录结构保持一致 ## 快速链接 - [文档与指南](https://nheri-simcenter.github.io/BrailsPlusPlus/) ## 安装说明 ``` pip install brails ``` ## 致谢 这项工作基于美国国家科学基金会（National Science Foundation）在 CMMI 1612843 和 CMMI 2131111 拨款下支持的成果。 ## 联系方式 NHERI-SimCenter nheri-simcenter@berkeley.edu

标签：Apex, DNS解析, FEMA, GIS, NHERI, OpenStreetMap, Python, URL抓取, 不确定性分析, 凭据扫描, 区域模拟, 图像特征提取, 土木工程, 地理信息系统, 地理空间数据, 基础设施, 建筑信息模型, 开源项目, 数据抓取, 数据清洗, 数据集成, 无后门, 机器学习, 桥梁Inventory, 灾害风险评估, 空间分析, 自然灾害模拟, 计算机视觉, 资产清单, 路网数据, 逆向工具, 遥感数据, 面向对象编程