Skoltechs Aeronet Lab har utvecklat en algoritm som gör det möjligt att analysera satellitbilder av områden som drabbats av bränder och andra naturkatastrofer och att göra en snabb bedömning av de ekonomiska skadorna. Algoritmen är baserad på maskininlärning och datorseende.

AeroNet Lab vid Skoltechs Center for Computational and Data-intensive Science and Engineering (CDISE), i samarbete med professor Evgeny Burnayev, tränade det neurala nätverket på uppsättningar av satellitbilder för att säkerställa att det kan skilja mellan de förstörda byggnaderna från de orörda av brand. För att träna det neurala nätverket, forskarna använde allmänt tillgängliga satellitbilder av Kalifornien (USA) tagna 2017. Senare, det utbildade nätverket identifierade tillförlitligt utbrända hus i testområdet, Santa Rosa (Kalifornien), som drabbades av destruktiva bränder. Om det används i en krismiljö, lösningen hjälper till att snabbt bedöma omfattningen av katastrofen och den förväntade skadan och påskynda beslutsprocessen. Projektet har väckt intresse bland offentliga och humanitära organisationer, samt försäkringsbolag.

"De utvecklade algoritmerna är kapabla att analysera multi-temporala satellitbildserier och detektera förändringar i objekt som tillhör en viss klass. Lösningen kommer att vara till stor hjälp vid olika forskningsuppgifter och industriområdesövervakningstillämpningar, till exempel upptäckt av nya byggarbetsplatser, en befolkningstäthetsbedömning, och riskhantering i skyddade områden, säger Vladimir Ignatiev, en forskare vid Skoltech.

AeroNet Lab utvecklar olika applikationer baserade på djupinlärning och datorseende för att hantera en mängd verkliga problem med hjälp av satellit- och flygbilder:övervakningstjänster för säkerhetszoner i storskaliga industrianläggningar, såsom rörledningar och högspänningsledningar (läcksökning, överväxtkontroll, illegal konstruktion, etc.), rekommendationstjänster för geomarketing (byggnadshöjd och beläggningsbedömning, etc.), skogsbruk och jordbruk (olaglig avverkning, stående virkeskvalitet, prognoser för skördeavkastning, konsekvenser av torka).