Hulpdiensten die reageren op door orkaan beschadigde gebieden kunnen binnenkort hulp krijgen van een machine learning-model dat de omvang van de schade aan gebouwen beter kan voorspellen kort nadat de storm voorbij is.

Het model maakt gebruik van teledetectie van satellieten die voetafdrukken van gebouwen kunnen genereren op basis van beelden van vóór de orkaan en deze vervolgens kunnen vergelijken met beelden die na de storm zijn genomen.

Terwijl sommige eerdere modellen alleen konden zien of een gebouw beschadigd of niet beschadigd was, kan dit deep learning-model nauwkeurig classificeren hoeveel schade gebouwen hebben opgelopen - belangrijke informatie voor hulpverleners, zei Desheng Liu, co-auteur van de studie en hoogleraar geografie bij De Ohio State University.

"Vaak is het moeilijk of onmogelijk om de impact van een orkaan of een andere natuurramp snel vanaf de grond te beoordelen", zei Liu. "Ons doel is om bijna realtime informatie te kunnen verstrekken over schade aan gebouwen die hulpdiensten kan helpen bij het reageren op rampen."

Liu voerde het onderzoek uit met Polina Berezina, een afgestudeerde student aardrijkskunde aan de staat Ohio. Hun resultaten werden eerder dit jaar gepubliceerd in het tijdschrift Geomatics, Natural Hazards and Risk .

De onderzoekers testten hun nieuwe model op gegevens van orkaan Michael in 2018 en ontdekten dat de totale schadebeoordeling 86,3% nauwkeurig was in één regio van Florida, een verbetering van 11% ten opzichte van één huidig ​​ultramodern model.

Het onderzoeksgebied omvatte Bay County en delen van de naburige provincies Calhoun, Gulf, Washington, Leon en Holmes in de panhandle van Florida. Panama-Stad is het belangrijkste stedelijke gebied dat in de studie is opgenomen.

De National Oceanic and Atmospheric Administration schatte de totale schade aan de Amerikaanse economie door orkaan Michael op 25 miljard dollar. Van dat bedrag was er voor $ 18,4 miljard aan schade in Florida.

De onderzoekers verkregen commerciële satellietbeelden voor het studiegebied. Beelden vóór de orkaan waren van oktober of november 2017. Beelden na de gebeurtenis werden verkregen op wolkenvrije dagen direct na de orkaan-impact, meestal op 13 oktober 2018. De orkaan was op 10 oktober aan land gekomen.

Binnen de dataset die de onderzoekers gebruikten, omvatte het studiegebied 22.686 gebouwen.

Berezina en Liu gebruikten een soort machine learning genaamd convolutionele neurale netwerken (of CNN) om eerst voetafdrukken van gebouwen te genereren uit de satellietbeelden van vóór de orkaan en vervolgens de hoeveelheid schade na de storm te classificeren. Hun model classificeerde gebouwen als onbeschadigd, kleine schade, grote schade of vernietigd.

Over het algemeen heeft het nieuwe model een algehele nauwkeurigheid van 86,3%, wat een verbetering is ten opzichte van de 75,3% nauwkeurigheid van het ondersteuningsvectormachinemodel (of SVM) waarmee het werd vergeleken.

"De SVM had moeite om onderscheid te maken tussen kleine en grote schade, wat een groot probleem kan zijn voor teams die moeten reageren na een orkaan", zei Liu. "Over het algemeen zijn onze resultaten voor orkaan Michael veelbelovend."

In live orkaansituaties zei Liu dat het model kan worden gebruikt om de waarschijnlijkheid te beoordelen dat individuele gebouwen zich in een bepaalde schadeklasse bevinden, zoals kleine schade of grote schade, om het noodbeheer en de eerstehulpverleners te helpen waar ze het eerst moeten controleren. + Verder verkennen

Onderzoek naar teledetectie verbetert orkaanrespons