Neuralt netværk trænet til at vurdere brandeffekter

Skoltechs Aeronet Lab har udviklet en algoritme, der gør det muligt at analysere satellitbilleder af områder, der er ramt af brande og andre naturkatastrofer, og at foretage en hurtig vurdering af de økonomiske skader. Algoritmen er baseret på maskinlæring og computersyn.

AeroNet Lab ved Skoltechs Center for Computational and Data-intensive Science and Engineering (CDISE), i samarbejde med professor Evgeny Burnayev, trænet det neurale netværk på sæt af satellitbilleder for at sikre, at det kan skelne mellem de ødelagte bygninger fra dem, der er uberørt af brand. For at træne det neurale netværk, forskerne brugte offentligt tilgængelige satellitbilleder af Californien (USA) taget i 2017. Senere, det trænede netværk identificerede pålideligt udbrændte huse i testområdet, Santa Rosa (Californien), som var ramt af ødelæggende brande. Hvis det bruges i et krisemiljø, løsningen hjælper med hurtigt at vurdere omfanget af katastrofen og den forventede skade og fremskynde beslutningsprocessen. Projektet har ansporet interesse blandt offentlige og humanitære organisationer, samt forsikringsselskaber.

"De udviklede algoritmer er i stand til at analysere multi-temporale satellitbilledserier og detektere ændringer i objekter, der tilhører en bestemt klasse. Løsningen vil være en stor hjælp i forskellige forskningsopgaver og industriområde-overvågningsapplikationer, som f.eks. opdagelse af nye byggepladser, en befolkningstæthedsvurdering, og risikostyring i beskyttede områder, " siger Vladimir Ignatiev, en forsker ved Skoltech.

AeroNet Lab udvikler forskellige applikationer baseret på dyb læring og computervision for at håndtere et væld af problemer i den virkelige verden ved hjælp af satellit- og luftbilleder:overvågningstjenester til sikkerhedszoner i store industrianlæg, såsom rørledninger og højspændingsledninger (lækagedetektion, overvækst kontrol, ulovligt byggeri, etc.), anbefaler tjenester med henblik på geomarketing (bygningshøjde og belægningsvurdering, etc.), skovbrug og landbrug (ulovlig hugst, stående trækvalitet, forudsigelse af afgrødeudbytte, konsekvenser af tørke).