تستخدم CrowdAI صور الأقمار الصناعية لتقييم خسائر حرائق الغابات في كاليفورنيا

وصف المشهد:ومن خلال مقارنة صور الأقمار الصناعية للمناطق المتضررة من الكارثة قبل وبعدها، يمكننا تحديد المباني وتحديد مدى الكارثة في المنطقة، وبالتالي المساعدة في تخصيص موارد الإنقاذ بشكل عقلاني.

الكلمات المفتاحية:الوقاية من الكوارث الطبيعية، التعرف على الصور، صور الأقمار الصناعية، الشبكات العصبية التلافيفية، التعرف على الأشياء

لقد تسببت الكوارث الطبيعية في خسائر فادحة

في الخريف الماضي، اجتاحت حرائق الغابات ولاية كاليفورنيا لمدة ثلاثة أسابيع. كانت كارثة حرائق الغابات الأكثر دموية في الولايات المتحدة منذ قرن، حيث أودت بحياة 85 شخصًا ودمرت ما يقدر بنحو 140 ألف منزل.

وبحسب الإحصائيات، تحدث مئات الكوارث الطبيعية في جميع أنحاء العالم كل عام، مما يؤدي إلى مقتل ما يقرب من 50 ألف شخص، ونزوح عشرات الملايين من الناس، وتسبب خسائر اقتصادية تزيد على 100 مليار دولار سنويا.

بعد وقوع كارثة طبيعية، تتمثل طريقة الاستجابة التقليدية في أن يقوم عمال الإنقاذ بتحديد كيفية نشر موارد الإنقاذ من خلال المراقبة في الموقع، ومكالمات الإنقاذ، وما إلى ذلك، وهو أمر يستغرق وقتًا طويلاً وغير فعال.

في أعمال الإغاثة من الكوارث، من المهم الحصول على معلومات شاملة ودقيقة في الوقت المناسب من أجل تحقيق التخصيص العقلاني للموارد. والآن، يمكن للتعلم الآلي أن يساعدنا في السباق مع الزمن وإنقاذ المزيد من الأرواح والخسائر.

لا يستغرق الأمر سوى ثانية واحدة لتحديد موقع الكارثة وتقييم مدى الكارثة.

أثناء حرائق الغابات في كاليفورنيا، شاركت شركة تدعى CrowdAI في عمليات الإنقاذ من خلال بيانات الأقمار الصناعية وتقنية رؤية الصور المتكاملة.

تستخدم CrowdAI صور الأقمار الصناعية من Spacenet وDeepglobe، بالإضافة إلى البيانات من DigitalGlobe وPlanet Labs، لتدريب الشبكات العصبية التلافيفية.

لا يستغرق الأمر سوى ثانية واحدة للتنبؤ بمدى الكارثة وتقييمها، ومن ثم الإبلاغ عن نتائج التقييم إلى مركز قيادة الإنقاذ للمساعدة في تخصيص موارد الإنقاذ بشكل علمي وصياغة خطط إنقاذ أكثر علمية.

وبمساعدة نموذج التعلم العميق المخصص من CrowdAI، بالإضافة إلى وضع العلامات على مباني المنازل التقليدية، فقد توسعت أيضًا إلى هياكل مستقلة مثل مواقف السيارات ومستودعات المرافق والحظائر.

في هذا الحريق، وبعد تحديد الهيكل من صور الأقمار الصناعية، قام نموذج الذكاء الاصطناعي بتحديد موقع الضرر بنقاط حمراء بناءً على مقارنة الصور قبل الكارثة وبعدها.

من خلال التوسع في المنطقة بأكملها، يمكن تحديد شدة الكارثة من خلال عدد النقاط المحددة، ويمكن استخدام ألوان مختلفة للتمييز بين شدة الكارثة.

وأخيرًا، فإن وضع علامة عليها على Google Earth أو ArcGIS يمكن أن يوفر إرشادات بشأن أعمال الإغاثة من الكوارث وإعادة الإعمار.

قال ديفاكي راج، مؤسس ورئيس تنفيذي لشركة CrowdAI، عن السعي المستمر لتحقيق سرعة التقييم:"عندما تحدث الكوارث، يتعين علينا التنبؤ بها بسرعة، ولهذا السبب نحتاج إلى هذه السرعة."

ويستخدم العديد من عمال الإنقاذ والمسؤولين الحكوميين هذه البيانات التي يتم توليدها بسرعة لتنسيق جهود الإنقاذ بشكل أكثر عقلانية، مما يحسن كفاءة حل المشكلات الحرجة.

قال ديفاكي راج، مؤسس ورئيس تنفيذي لشركة CrowdAI: "على مدى العقد الماضي، أصبحت كميات هائلة من بيانات الأقمار الصناعية والطائرات بدون طيار متاحة عبر الإنترنت". "نحن نستخدم أحدث التطورات في مجال الرؤية الحاسوبية لمعالجة هذه البيانات."

ومن أجل استكمال تقييم الكارثة بأكبر قدر ممكن من الدقة، كانت الطرق السابقة تتطلب قدرًا كبيرًا من تدريب البيانات، لكن جيجار دوشي، رئيس التعلم الآلي في CrowdAI، ذكر أنه "نظرًا لأن تكنولوجيا الرؤية الآلية ناضجة للغاية بالفعل، فإننا لا نحتاج إلى تدريب نموذج كبير (لظروف الكارثة) لإجراء تقييمات فعالة".

بيانات الأقمار الصناعية للرعاية الإنسانية تحت إشراف الذكاء الاصطناعي

تتشابه شركة CrowdAI مع الشركات الأخرى التي تستخدم صور الأقمار الصناعية وغيرها من التقنيات لتوفير خدمات البيانات، ولكن الفرق هو أنها تركز جهودها على الكوارث الطبيعية.

عملت شركة CrowdAI مع مزود الاتصالات WOW لتقييم الأضرار التي لحقت بالمباني في مدينة بنما بولاية فلوريدا، في أعقاب إعصار مايكل في العام الماضي. وبناءً على صور الأقمار الصناعية للمدينة التي قدمتها الإدارة الوطنية للمحيطات والغلاف الجوي، ساعدت البيانات التي قدمتها منظمة WOW على نشر العمال بشكل مناسب وفقًا لمدى الكارثة من أجل تحقيق التعافي السريع.

كما عملت CrowdAI مع Facebook AI لدراسة تقييمات الأضرار الناجمة عن الأعاصير وحرائق الغابات. نتائج أبحاثهم من صور الأقمار الصناعية إلى رؤى الكوارثوقد تم قبوله أيضًا في مؤتمر NeurIPS.

وفي الدراسة، أفاد الباحثون بنتائج مبهرة: فقد حققوا دقة بنسبة 88.8% في تحديد الطرق المتضررة بسبب إعصار هارفي بالقرب من تكساس في عام 2017، ودقة بنسبة 81.1% في تحديد المباني المتضررة في حرائق سانتا روزا.

بالإضافة إلى ذلك، مقال آخر من CrowdAI 《شبكة تخطي البداية المتبقية للتجزئة الثنائية》، والذي يتعلق بتحديد شبكات الطرق من صور الأقمار الصناعية، تم قبوله من قبل مؤتمر آخر رفيع المستوى، CVPR.

وفيما يتعلق بالتنبؤ بالكوارث، تستكشف CrowdAI أيضًا نماذج الكوارث التنبؤية. ويقال إنهم يحاولون بشكل نشط تطوير أدوات التعلم العميق التي يمكنها تجاوز صور الأقمار الصناعية من خلال دمج البيانات مثل الرياح وهطول الأمطار ووسائل التواصل الاجتماعي.

أصدرت شركة جوجل ومعهد ماكينزي العالمي تقريرا عن الحالات التي استفادت فيها البشرية من الذكاء الاصطناعي. ويشير التقرير إلى أن "الذكاء الاصطناعي قادر على توفير عمليات إنقاذ وتأهب للطوارئ أكثر دقة، وهو أسرع من الإنقاذ البشري، ولديه نطاق أوسع من التطبيقات".

لا شك أن معظم حالات التعلم الآلي الحالية التي تستهدف بيانات الأقمار الصناعية تهدف إلى التصنيع والتسويق. توفر CrowdAI بيانات الأقمار الصناعية مع سيناريوهات تطبيقية أكثر إنسانية وتجعل الذكاء أكثر إنسانية.