AI-system identificerer bygninger beskadiget af naturbrand

Mennesker over hele kloden har lidt den nervepirrende angst ved at vente uger eller måneder på at finde ud af, om deres hjem er blevet beskadiget af skovbrande, der brænder med øget intensitet. Nu, når røgen er forsvundet til luftfotografering, forskere har fundet en måde at identificere bygningsskader inden for få minutter.

Gennem et system de kalder DamageMap, et hold ved Stanford University og California Polytechnic State University (Cal Poly) har bragt en kunstig intelligens tilgang til bygningsvurdering:I stedet for at sammenligne før-og-efter-billeder, de har trænet et program, der bruger maskinlæring til udelukkende at stole på billeder efter brand. Resultaterne fremgår af International Journal of Disaster Risk Reduction .

"Vi ønskede at automatisere processen og gøre den meget hurtigere for førstehjælpere eller endda for borgere, der måske vil vide, hvad der skete med deres hus efter en naturbrand, " sagde hovedstudieforfatter Marios Galanis, en kandidatstuderende i Civil and Environmental Engineering Department ved Stanford's School of Engineering. "Vores modelresultater er på niveau med menneskelig nøjagtighed."

Den nuværende metode til at vurdere skader involverer, at folk går dør-til-dør for at kontrollere hver bygning. Selvom DamageMap ikke er beregnet til at erstatte personskadeklassificering, det kunne bruges som et skalerbart supplerende værktøj ved at tilbyde øjeblikkelige resultater og angive de nøjagtige placeringer af de identificerede bygninger. Forskerne testede det ved hjælp af en række forskellige satellitter, luft- og dronefotografering med mindst 92 procents nøjagtighed.

"Med denne ansøgning, du kunne sikkert scanne hele byen Paradise på et par timer, " sagde seniorforfatter G. Andrew Fricker, en adjunkt ved Cal Poly, refererer til den nordlige Californiske by, der blev ødelagt af lejrbranden i 2018. "Jeg håber, at dette kan bringe mere information til beslutningsprocessen for brandmænd og beredskabspersonale, og også hjælpe brandofre ved at få information, der hjælper dem med at indgive forsikringskrav og få deres liv tilbage på sporet."

En anderledes tilgang

De fleste beregningssystemer kan ikke effektivt klassificere bygningsskader, fordi AI sammenligner fotos efter katastrofe med billeder før katastrofen, der skal bruge den samme satellit, kameravinkel og lysforhold, som kan være dyrt at skaffe eller ikke tilgængeligt. Nuværende hardware er ikke avanceret nok til at optage højopløsningsovervågning dagligt, så systemerne ikke kan stole på ensartede billeder, ifølge forskerne.

I stedet for at lede efter forskelle mellem før-og-efter-billeder, DamageMap bruger først forbrændingsbilleder af enhver type til at kortlægge området og udpege bygningsplaceringer. Derefter, programmet analyserer billeder efter naturbrand for at identificere skader gennem funktioner som sorte overflader, smuldrede tage eller fravær af strukturer.

"Folk kan se, om en bygning er beskadiget eller ej – vi har ikke brug for før-billedet – så vi testede den hypotese med maskinlæring, " sagde medforfatter Krishna Rao, en kandidatstuderende i jordsystemvidenskab ved Stanford's School of Earth, Energi- og miljøvidenskab (Stanford Earth). "Dette kan være et kraftfuldt værktøj til hurtigt at vurdere skader og planlægge katastrofeberedskab."

Strukturelle skader fra naturbrande i Californien er typisk opdelt i fire kategorier:næsten ingen skade, mindre skader, større skade eller ødelagt. Da DamageMap er baseret på luftbilleder, forskerne indså hurtigt, at systemet ikke kunne foretage vurderinger til den grad af detaljer og trænede maskinen til blot at afgøre, om der var brandskader til stede eller fraværende.

Muligheder for vækst

Fordi holdet brugte en dyb læringsteknik kaldet overvåget læring, deres model kan fortsætte med at blive forbedret ved at tilføre den mere data. De testede applikationen ved hjælp af skadesvurderinger fra Paradise, Californien, efter lejrbranden og Whiskytown-Shasta-Trinity National Recreation Area efter Carr-branden i 2018. Forskerne sagde, at open source-platformen kan anvendes til ethvert område, der er udsat for naturbrande, og håber, at det også kan trænes til at klassificere skader fra andre katastrofer, såsom oversvømmelser eller orkaner.

"Indtil videre tyder vores resultater på, at dette kan generaliseres, og hvis folk er interesserede i at bruge det i virkelige tilfælde, så kan vi blive ved med at forbedre det, " sagde Galanis.

Galanis og Rao udviklede projektet under Stanfords 2020 Big Earth Hackathon:Wildland Fire Challenge. De samarbejdede senere med Cal Poly-forskere for at forfine platformen, en forbindelse, der var resultatet af Rao og Frickers' deltagelse i Googles 2019 "Geo For Good"-konference, hvor de to byggede en indledende prototype som en del af konferencen Build-A-Thon.

Medforfatterne testede deres modelresultater mod skadesdata indsamlet på stedet af agenter fra California Department of Forestry and Fire Protection (CAL FIRE) - information, der gjorde forskningen mulig.

"Skadeinspektører gennemgik en møjsommelig indsats ved at gå fra dør til dør, ser på skaden, geotagging af steder og endelig gøre det offentligt tilgængeligt, " sagde Rao. "Forskning eller innovation af fremtidige teknologier afhænger direkte af adgang til sådanne data."