Räddningspersonal som reagerar på orkanskadade områden kan snart få hjälp från en maskininlärningsmodell som bättre kan förutsäga omfattningen av byggnadsskador strax efter att stormen har passerat.

Modellen använder fjärranalys från satelliter som kan generera byggnadsfotspår från bilder före orkanen och sedan jämföra dem med bilder tagna efter stormen.

Medan vissa tidigare modeller bara kunde avgöra om en byggnad var skadad eller inte skadad, kan denna djupinlärningsmodell korrekt klassificera hur mycket skada byggnader ådragit sig – nyckelinformation för räddningspersonal, säger Desheng Liu, medförfattare till studien och professor i geografi vid Ohio State University.

"Ofta är det svårt eller omöjligt att snabbt bedöma effekterna av en orkan eller annan naturkatastrof från marken", sa Liu. "Vårt mål är att kunna tillhandahålla nästan realtidsinformation om byggnadsskador som kan hjälpa räddningspersonal att reagera på katastrofer."

Liu genomförde studien med Polina Berezina, en doktorand i geografi vid Ohio State. Deras resultat publicerades tidigare i år i tidskriften Geomatics, Natural Hazards and Risk .

Forskarna testade sin nya modell på data från orkanen Michael 2018 och fann att dess totala skadebedömning var 86,3 % korrekt i en region i Florida – en förbättring på 11 % jämfört med en nuvarande toppmodern modell.

Forskningsområdet inkluderade Bay County och delar av de närliggande länen Calhoun, Gulf, Washington, Leon och Holmes vid Floridas panhandle. Panama City är det största storstadsområdet som ingår i studien.

National Oceanic and Atmospheric Administration uppskattade den totala skadan på den amerikanska ekonomin från orkanen Michael till 25 miljarder dollar. Av det beloppet inträffade skador för 18,4 miljarder dollar i Florida.

Forskarna skaffade kommersiella satellitbilder för studieområdet. Bilder före orkanen var från oktober eller november 2017. Bilder efter händelsen togs på molnfria dagar direkt efter orkannedslaget, mestadels den 13 oktober 2018. Orkanen hade landat den 10 oktober.

Inom datamängden som forskarna använde, omfattade studieområdet 22 686 byggnader.

Berezina och Liu använde en typ av maskininlärning som kallas konvolutionella neurala nätverk (eller CNN) för att först skapa byggnadsfotspår från satellitbilderna före orkanen och sedan klassificera mängden skador efter stormen. Deras modell klassificerade byggnader som oskadade, mindre skador, större skador eller förstörda.

Totalt sett har den nya modellen en övergripande noggrannhet på 86,3 %, vilket förbättrar 75,3 % noggrannhet för den stödvektormaskinmodell (eller SVM) som den jämfördes med.

"SVM kämpade för att skilja mellan mindre och större skador, vilket kan vara ett stort problem för team som reagerar efter en orkan," sa Liu. "Sammantaget är våra resultat för orkanen Michael lovande."

I levande orkansituationer sa Liu att modellen skulle kunna användas för att bedöma sannolikheten för att enskilda byggnader är i en viss skadeklass – som mindre skador eller större skador – för att hjälpa till att styra räddningstjänsten och de första insatserna dit de ska kontrollera först. + Utforska vidare

Fjärranalysforskning förbättrar orkanrespons