1 秒划分受灾区域，CrowdAI 使用卫星影像评估加州山火损失

场景介绍：通过比对受灾地区前后的卫星影像，标注出守在建筑和判断地区受灾程度，帮助救援资源的合理调配。

关键词：自然防灾、图像识别、卫星影像、卷积神经网络、物体识别

自然灾害带来了巨大损失

去年秋天，加利福尼亚州的山火疯狂肆虐了三周。它是美国一个世纪以来最致命的野火灾难，共夺走了 85 个生命，毁坏了约 14 万栋住宅。

据统计，全球每年会有几百次自然灾害发生，灾害导致近 5 万人死亡，数千万人流离失所，每年因为灾害造成的经济损失超过 1000 亿美元。

在自然灾害发生后，传统的应对方式是救援人员通过现场观察、救援电话等方式，来确定如何部署救援资源，耗时而且低效。

而救灾工作中，及时掌握全面而准确的信息，以实现资源的合理分配，是至关重要的。现在通过机器学习，就能够帮助我们与时间赛跑，挽回更多生命和损失。

只需 1 s 就能定位受灾位置、评估受灾程度

在这次加州大火中，就有一家叫 CrowdAI 的公司通过卫星数据，综合图像视觉技术参与了救援。

CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像，以及 DigitalGlobe 和 Planet Labs 的数据，训练卷积神经网络。

只需一秒钟的时间，就能预测和评估受灾程度，再将评估结果报告给救援指挥中心，帮助科学调配救援资源，制定更科学的救援方案。

借助于 CrowdAI 自定义的深度学习模型，除了标注常规的房屋建筑，还扩大到了独立结构，比如车棚、公用设施棚和谷仓等。

在此次火灾中，从卫星图像中识别出结构后，根据受灾前后的图像对比， AI 模型用红点标识出损坏所在的位置。

拓展到整个地区，通过标记点的数量定出受灾的严重程度，就能用不同的颜色区别出受灾的严重程度。

最后在 Google Earth 或 ArcGIS 上标记出来，就能为救灾和重建工作做出指导。

对于不断追求评估速度的目标，CrowdAI 的创始人兼首席执行官 Devaki Raj 说到，「当灾难发生时，我们必须要快速的给出预测，这就是我们需要这种速度的原因。」

很多救援人员和级政府官员，通过这些快速生成的数据，更合理的协调了救援工作，这提升了解决紧要问题的效率。

「在过去的十年中，大量的卫星和无人机数据陆续上线，」CrowdAI 的创始人兼首席执行官 Devaki Raj 说，「我们正在使用计算机视觉方面的最新进展，来处理这些数据。」

为了尽可能准确的完成受灾情况的评估，之前的方法需要很大量的数据训练，但 CrowdAI 的机器学习负责人 Jigar Doshi 提到，「因为机器视觉技术已经很成熟了，我们不需要训练很大的模型（对受灾情况），就能进行有效的评估。」

卫星数据在 AI 引导下的人文关怀

CrowdAI 与其他利用卫星图像，通过计算机视觉等技术，提供数据服务的公司差不多，稍有不同的是，他们在把精力主要投入在自然灾害方面。

在去年飓风迈克尔侵袭之后，CrowdAI 与电信供应商 WOW 合作，评估佛罗里达州巴拿马城的建筑物损坏情况。根据 NOAA 提供的城市卫星图像，他们提供的数据帮助 WOW ，将工作人按照受灾程度进行合理的部署，以实现快速的恢复。

CrowdAI 还与 Facebook AI 进行过合作，研究飓风和火灾造成损失的评估工作。他们的研究成果 《From Satellite Imagery to Disaster Insights》也被 NeurIPS 会议所接受。

在论文中，他们的研究达到了很好的效果：在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时，达到了 88.8％ 的准确率，而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1％。

此外，CrowdAI 的另一篇文章 《Residual Inception Skip Network for Binary Segmentation》，是关于从卫星图像中识别道路网络的工作，被另一个顶级会议 CVPR 所接受。

而在灾难预测的方面， CrowdAI 也在探索能够预测到的灾害模型，据称，他们在尝试通过整合风力、降水和社交媒体等数据，积极开发能超越卫星图像的深度学习工具。

谷歌和麦肯锡全球研究所做过一份报告，主旨是关于 AI 造福人类的案例，报告中提到，「AI 能更准确地提供救援工作和应急准备，相比于人类救援要更快速，而且适用范围更广。」

毋庸置疑，在目前诸多针对卫星数据的机器学习案例中，多数是工业化和商业化的目标，而 CrowdAI 给了卫星数据更有人文关怀的应用场景，也让智能更有温度。