Ny maskinlæringsmodel kan give mere præcise vurderinger af orkanskader for indsatspersonale

Nødmandskab, der reagerer på orkanbeskadigede områder, kan snart få hjælp fra en maskinlæringsmodel, der bedre kan forudsige omfanget af bygningsskader, kort efter stormen passerer.

Modellen bruger fjernmåling fra satellitter, der kan generere byggefodspor fra billeder før orkanen og derefter sammenligne dem med billeder taget efter stormen.

Mens nogle tidligere modeller kun kunne fortælle, om en bygning var beskadiget eller ikke beskadiget, kan denne dybe læringsmodel nøjagtigt klassificere, hvor meget skade bygninger pådrog sig - nøgleinformation til nødhjælpspersonale, sagde Desheng Liu, medforfatter af undersøgelsen og professor i geografi ved Ohio State University.

"Ofte er det svært eller umuligt hurtigt at vurdere virkningen af ​​en orkan eller anden naturkatastrofe fra jorden," sagde Liu. "Vores mål er at være i stand til at levere næsten realtidsinformation om bygningsskader, der kan hjælpe nødmandskab med at reagere på katastrofer."

Liu gennemførte undersøgelsen med Polina Berezina, en kandidatstuderende i geografi ved Ohio State. Deres resultater blev offentliggjort tidligere på året i tidsskriftet Geomatics, Natural Hazards and Risk .

Forskerne testede deres nye model på data fra orkanen Michael i 2018 og fandt ud af, at dens samlede skadevurdering var 86,3 % nøjagtig i en region i Florida – en forbedring på 11 % i forhold til en nuværende, avanceret model.

Forskningsundersøgelsesområdet omfattede Bay County og dele af de tilstødende Calhoun, Gulf, Washington, Leon og Holmes amter på Floridas panhandle. Panama City er det største storbyområde, der er inkluderet i undersøgelsen.

National Oceanic and Atmospheric Administration anslog den samlede skade på den amerikanske økonomi fra orkanen Michael til at svare til 25 milliarder dollars. Af dette beløb skete der skader for 18,4 milliarder dollars i Florida.

Forskerne indhentede kommercielle satellitbilleder til undersøgelsesområdet. Billeder før orkanen var fra oktober eller november 2017. Billedbilleder efter begivenheden blev taget på skyfri dage direkte efter orkanens nedslag, hovedsageligt den 13. oktober 2018. Orkanen var gået i land den 10. oktober.

Inden for det datasæt, forskerne brugte, omfattede undersøgelsesområdet 22.686 bygninger.

Berezina og Liu brugte en type maskinlæring kaldet konvolutionelle neurale netværk (eller CNN) til først at generere byggefodspor fra satellitbillederne før orkanen og derefter klassificere mængden af ​​skade efter stormen. Deres model klassificerede bygninger som ubeskadigede, mindre skader, større skader eller ødelagte.

Samlet set har den nye model en samlet nøjagtighed på 86,3 %, hvilket er forbedret i forhold til 75,3 % nøjagtighed af den støttevektormaskinemodel (eller SVM), som den blev sammenlignet med.

"SVM kæmpede for at skelne mellem mindre og større skader, hvilket kan være et stort problem for hold, der reagerer efter en orkan," sagde Liu. "Samlet set er vores resultater for orkanen Michael lovende."

I live-orkansituationer sagde Liu, at modellen kunne bruges til at vurdere sandsynligheden for, at individuelle bygninger er i en bestemt skadesklasse - såsom mindre skader eller større skader - for at hjælpe med at lede beredskabsledelse og førstehjælpere til, hvor de først skal tjekkes. + Udforsk yderligere

Fjernmålingsforskning forbedrer orkanrespons