AI在自然灾害中的应用和发展

关于AI在自然灾害中的应用和发展状态，今天以FB （虽然最近有点不景气 ）的应用为主，来分析一下。

                                     上图:飓风哈维来袭时，德克萨斯州，休斯顿以北几英里处，春季洪水泛滥。

Facebook AI研究人员已经开发出一种方法来分析卫星图像，并确定一个地区在火灾和洪水等自然灾害后遭受的破坏程度。

在自然灾害发生后，该方法可以帮助应急人员识别受影响最严重的地区。

研究小组还创建了一个指标，用于衡量自然灾害造成的损害程度，称为灾害影响指数（DII），可用于推断严重的洪水或火灾。

 

 

在2017年德克萨斯州Sugar Land附近的Hurricane Harvey识别损坏的道路时，卷积神经网络达到了88.8％的准确率，在Santa Rosa火灾中识别损坏的建筑物时达到了81.1％。

灾难之后依赖于某个区域的静态图像进行分析，而不像过去基于人工智能的分析所关注的那样，该方法依赖于在自然灾害之前和之后拍摄的照片，并将每张照片分解为更小，更多 容易消化的照片网格。

                                                                    ARCGIS FACEBOOK数据地图

 

“作为这项工作的一部分，我们只关注道路和建筑，但这可以扩展到量化灾害对其他一般自然和人造特征的影响，”该报说。

这项名为“从卫星图像到灾难洞察”的研究由Facebook AI Research的Saikat Basu和管庞，以及CrowdAI的机器学习负责人Jigar Doshi共同完成。

CrowdAI的处理原理：

图像采集

 

• 首先，我们与像DigitalGlobe和Planet这样的高质量卫星图像提供商合作，获取指定日期和地区的图像，上图就是例子。

深度学习

• 接下来，我们在图像上运行一种深度学习算法。这就产生了一个信心，即每个像素都是目标特征(在本例中是建筑物)的一部分（如上图）。

完成后的

 

• 最后，我们使用一套计算机视觉技术将这些概率转换成可用的数据，如建筑物的形状、大小和密度（见上图）。

这篇论文本周在蒙特利尔举行的神经信息处理系统(NeurIPS)会议上被分享。

为了识别道路和建筑物，卷积神经网络使用了Spacenet和Deepglobe卫星图像以及DigitalGlobe和Planet Labs的图像进行训练。人工智能系统检测了德克萨斯州Sugar Land附近约55平方英里的区域和加利福尼亚州Santa Rosa附近约46平方英里的区域。

在圣罗莎火灾的案例中，地面真实数据来自加州林业和消防部门的消防资源和评估项目(FRAP)网站。

今年夏天，在今年7月于盐湖城举行的2018年计算机视觉与模式识别大会(Conference on Computer Vision and Pattern Recognition)上，CrowdAI和Facebook与优步(Uber)等公司一道，参加了“深度全球挑战”(Deepglobe challenge)，通过卫星图像分析世界。

 

人工智能在应对自然灾害中扮演着越来越重要的角色。

 

像One Concern这样的初创公司正与前联邦应急管理局(FEMA)局长克雷格•富盖特(Craig Fugate)合作，开发探测地震影响的系统，并帮助应急人员将应急资源优先分配给最需要帮助的人。

 

今年早些时候，来自谷歌AI和哈佛大学的研究人员跟踪了近200次大地震和20万次余震，创建了一个预测地震余震的人工智能系统。

 

谷歌还利用人工智能模拟印度的洪水，并向附近的智能手机用户发送SOS警报。

目前这些技术已经在实际的灾害预测中发挥了很大的作用。

 

                                                            关注wx：AI技术与生活，足不出户了解新资讯