Människor runt om i världen har lidit av den nervkittlande ångesten att vänta veckor eller månader för att ta reda på om deras hem har skadats av skogsbränder som bränner med ökad intensitet. Nu, när röken har försvunnit för flygfotografering, forskare har hittat ett sätt att identifiera byggnadsskador inom några minuter.

Genom ett system de kallar DamageMap, ett team vid Stanford University och California Polytechnic State University (Cal Poly) har tagit fram en artificiell intelligens till byggnadsbedömning:Istället för att jämföra före-och-efter-bilder, de har tränat ett program som använder maskininlärning för att enbart förlita sig på bilder efter brand. Fynden visas i International Journal of Disaster Risk Reduction .

"Vi ville automatisera processen och göra den mycket snabbare för första responders eller till och med för medborgare som kanske vill veta vad som hände med deras hus efter en skogsbrand, " sade huvudstudieförfattaren Marios Galanis, en doktorand vid avdelningen för civil- och miljöteknik vid Stanfords School of Engineering. "Våra modellresultat är i nivå med mänsklig noggrannhet."

Den nuvarande metoden för att bedöma skador innebär att människor går dörr till dörr för att kontrollera varje byggnad. Även om DamageMap inte är avsett att ersätta personlig skadeklassificering, det skulle kunna användas som ett skalbart kompletterande verktyg genom att erbjuda omedelbara resultat och ge exakta placeringar av de identifierade byggnaderna. Forskarna testade det med hjälp av en mängd olika satelliter, flyg- och drönarfotografering med minst 92 procents noggrannhet.

"Med denna ansökan, du skulle förmodligen kunna skanna hela staden Paradise på några timmar, " sa seniorförfattaren G. Andrew Fricker, en biträdande professor vid Cal Poly, hänvisar till staden i norra Kalifornien som förstördes av lägerbranden 2018. "Jag hoppas att detta kan ge mer information till beslutsprocessen för brandmän och räddningspersonal, och även hjälpa brandoffer genom att få information som hjälper dem att lämna in försäkringsanspråk och få sina liv på rätt spår igen."

Ett annat förhållningssätt

De flesta beräkningssystem kan inte effektivt klassificera byggnadsskador eftersom AI:n jämför foton efter katastrof med bilder före katastrof som måste använda samma satellit, kameravinkel och ljusförhållanden, som kan vara dyrt att få eller otillgänglig. Den nuvarande hårdvaran är inte tillräckligt avancerad för att registrera högupplöst övervakning dagligen, så att systemen inte kan lita på konsekventa bilder, enligt forskarna.

Istället för att leta efter skillnader mellan före och efter bilder, DamageMap använder först förbränningsfoton av vilken typ som helst för att kartlägga området och lokalisera byggnadsplatser. Sedan, Programmet analyserar bilder efter skogsbrand för att identifiera skador genom funktioner som svärtade ytor, smulade tak eller frånvaron av strukturer.

"Folk kan se om en byggnad är skadad eller inte – vi behöver inte förebilden – så vi testade den hypotesen med maskininlärning, " sa medförfattaren Krishna Rao, en doktorand i jordvetenskap vid Stanford's School of Earth, Energi- och miljövetenskaper (Stanford Earth). "Detta kan vara ett kraftfullt verktyg för att snabbt bedöma skador och planera katastrofåterställningsinsatser."

Strukturella skador från skogsbränder i Kalifornien delas vanligtvis in i fyra kategorier:nästan inga skador, mindre skada, stora skador eller förstörda. Eftersom DamageMap är baserat på flygbilder, forskarna insåg snabbt att systemet inte kunde göra bedömningar till den detaljnivån och tränade maskinen att helt enkelt avgöra om brandskador fanns eller inte.

Möjligheter till tillväxt

Eftersom teamet använde en teknik för djupinlärning som kallas övervakad inlärning, deras modell kan fortsätta att förbättras genom att mata den med mer data. De testade applikationen med skadebedömningar från Paradise, Kalifornien, efter Camp Fire och Whiskeytown-Shasta-Trinity National Recreation Area efter Carr-branden 2018. Forskarna sa att open source-plattformen kan tillämpas på alla områden som är utsatta för skogsbränder och hoppas att den också kan tränas för att klassificera skador från andra katastrofer, som översvämningar eller orkaner.

"Hittills tyder våra resultat på att detta kan generaliseras, och om människor är intresserade av att använda det i verkliga fall, då kan vi fortsätta att förbättra det, sa Galanis.

Galanis och Rao utvecklade projektet under Stanfords 2020 Big Earth Hackathon:Wildland Fire Challenge. De samarbetade senare med Cal Poly-forskare för att förfina plattformen, en koppling som resulterade från Rao och Frickers deltagande i Googles 2019 "Geo For Good"-konferens, där de två byggde en första prototyp som en del av konferensen Build-A-Thon.

Medförfattarna testade sina modellresultat mot skadedata som samlats in på plats av agenter från California Department of Forestry and Fire Protection (CAL FIRE) – information som gjorde forskningen möjlig.

"Skadinspektörer gick igenom mödosamma ansträngningar från dörr till dörr, tittar på skadan, geotagga platser och slutligen göra den tillgänglig för allmänheten, "Sade Rao. "Att forska eller förnya framtida teknologier beror direkt på tillgång till sådan data."