Mensen over de hele wereld hebben geleden onder de zenuwslopende angst van weken of maanden wachten om erachter te komen of hun huizen zijn beschadigd door bosbranden die met verhoogde intensiteit verschroeien. Nutsvoorzieningen, zodra de rook is opgetrokken voor luchtfotografie, onderzoekers hebben een manier gevonden om schade aan gebouwen binnen enkele minuten te identificeren.

Via een systeem noemen ze DamageMap, een team van Stanford University en de California Polytechnic State University (Cal Poly) heeft een kunstmatige-intelligentiebenadering geïntroduceerd voor het bouwen van beoordelingen:in plaats van voor-en-na-foto's te vergelijken, ze hebben een programma getraind met behulp van machine learning om uitsluitend te vertrouwen op afbeeldingen na de brand. De bevindingen verschijnen in de International Journal of Disaster Risk Reduction .

"We wilden het proces automatiseren en het veel sneller maken voor eerstehulpverleners of zelfs voor burgers die misschien willen weten wat er met hun huis is gebeurd na een natuurbrand. " zei hoofdonderzoeksauteur Marios Galanis, een afgestudeerde student aan de afdeling Civiele en Milieutechniek van Stanford's School of Engineering. "Onze modelresultaten zijn vergelijkbaar met de menselijke nauwkeurigheid."

Bij de huidige manier van schadetaxatie gaan mensen van deur tot deur om elk gebouw te controleren. Hoewel DamageMap niet bedoeld is om persoonlijke schadeclassificatie te vervangen, het kan worden gebruikt als een schaalbare aanvullende tool door onmiddellijke resultaten te bieden en de exacte locaties van de geïdentificeerde gebouwen te verstrekken. De onderzoekers testten het met behulp van verschillende satellieten, lucht- en dronefotografie met een nauwkeurigheid van ten minste 92 procent.

"Met deze aanvraag je zou waarschijnlijk in een paar uur de hele stad Paradise kunnen verkennen, " zei senior auteur G. Andrew Fricker, een assistent-professor aan Cal Poly, verwijzend naar de stad in Noord-Californië die werd verwoest door de kampvuur van 2018. "Ik hoop dat dit meer informatie kan opleveren voor het besluitvormingsproces voor brandweerlieden en hulpdiensten, en help ook brandslachtoffers door informatie te krijgen om hen te helpen verzekeringsclaims in te dienen en hun leven weer op de rails te krijgen."

Een andere benadering

De meeste computersystemen kunnen schade aan gebouwen niet efficiënt classificeren omdat de AI foto's van na de ramp vergelijkt met beelden van vóór de ramp die dezelfde satelliet moeten gebruiken, camerahoek en lichtomstandigheden, die duur kunnen zijn om te verkrijgen of niet beschikbaar zijn. De huidige hardware is niet geavanceerd genoeg om dagelijks bewaking met hoge resolutie op te nemen, zodat de systemen niet kunnen vertrouwen op consistente foto's, volgens de onderzoekers.

In plaats van te zoeken naar verschillen tussen voor-en-na-beelden, DamageMap maakt eerst gebruik van pre-fire foto's van elk type om het gebied in kaart te brengen en bouwlocaties te lokaliseren. Vervolgens, het programma analyseert beelden na natuurbranden om schade te identificeren door middel van kenmerken zoals zwartgeblakerde oppervlakken, afgebrokkelde daken of de afwezigheid van constructies.

"Mensen kunnen zien of een gebouw beschadigd is of niet - we hebben de eerdere foto niet nodig - dus we hebben die hypothese getest met machine learning, " zei co-auteur Krishna Rao, een afgestudeerde student in Aardsysteemwetenschap aan Stanford's School of Earth, Energie- en milieuwetenschappen (Stanford Earth). "Dit kan een krachtig hulpmiddel zijn voor het snel beoordelen van schade en het plannen van herstelinspanningen bij rampen."

Structurele schade door bosbranden in Californië wordt doorgaans onderverdeeld in vier categorieën:bijna geen schade, Kleine schade, grote schade of vernield. Omdat DamageMap is gebaseerd op luchtfoto's, de onderzoekers realiseerden zich al snel dat het systeem niet in die mate van detail kon beoordelen en trainden de machine om eenvoudig te bepalen of brandschade aanwezig of afwezig was.

Kansen voor groei

Omdat het team gebruikmaakte van een deep learning-techniek die gesuperviseerd leren wordt genoemd, hun model kan verder worden verbeterd door er meer gegevens aan toe te voegen. Ze hebben de applicatie getest met behulp van schadetaxaties van Paradise, Californië, na het kampvuur en het nationale recreatiegebied Whiskeytown-Shasta-Trinity na de Carr Fire van 2018. De onderzoekers zeiden dat het open-sourceplatform kan worden toegepast op elk gebied dat vatbaar is voor bosbranden en hopen dat het ook kan worden getraind om schade van andere rampen, zoals overstromingen of orkanen.

"Tot nu toe suggereren onze resultaten dat dit kan worden gegeneraliseerd, en als mensen geïnteresseerd zijn om het in echte gevallen te gebruiken, dan kunnen we het blijven verbeteren, ' zei Galanis.

Galanis en Rao ontwikkelden het project tijdens Stanford's 2020 Big Earth Hackathon:Wildland Fire Challenge. Ze werkten later samen met onderzoekers van Cal Poly om het platform te verfijnen, een connectie die voortkwam uit de deelname van Rao en Frickers aan Google's 2019 "Geo For Good" conferentie, waar de twee een eerste prototype bouwden als onderdeel van de conferentie Build-A-Thon.

De co-auteurs testten hun modelresultaten tegen schadegegevens die ter plaatse werden verzameld door agenten van het California Department of Forestry and Fire Protection (CAL FIRE), informatie die het onderzoek mogelijk maakte.

"Schade-inspecteurs gingen van deur tot deur door nauwgezette inspanningen, kijken naar de schade, locaties geotaggen en uiteindelijk openbaar toegankelijk maken, " zei Rao. "Het onderzoeken of innoveren van toekomstige technologieën hangt rechtstreeks af van de toegang tot dergelijke gegevens."