CrowdAI Nutzt Satellitenbilder Zur Ermittlung Der Waldbrandschäden in Kalifornien

**Szenenbeschreibung:**Durch den Vergleich von Satellitenbildern der Katastrophengebiete vor und nach dem Einschlag können wir die Gebäude markieren und das Ausmaß der Katastrophe in dem Gebiet bestimmen. Dies trägt dazu bei, die Rettungskräfte rational zu verteilen.

**Schlüsselwörter:**Naturkatastrophenprävention, Bilderkennung, Satellitenbilder, Convolutional Neural Networks, Objekterkennung

Naturkatastrophen haben enorme Verluste verursacht

Im vergangenen Herbst wüteten drei Wochen lang Waldbrände in ganz Kalifornien. Es handelte sich um die schlimmste Waldbrandkatastrophe in den Vereinigten Staaten seit einem Jahrhundert. Sie forderte 85 Todesopfer und zerstörte schätzungsweise 140.000 Häuser.

Statistiken zufolge ereignen sich weltweit jedes Jahr Hunderte von Naturkatastrophen, die fast 50.000 Menschenleben kosten, zig Millionen Menschen obdachlos machen und jedes Jahr wirtschaftliche Schäden von über 100 Milliarden Dollar verursachen.

Nach dem Eintreten einer Naturkatastrophe besteht die traditionelle Reaktionsmethode darin, dass Rettungskräfte durch Beobachtung vor Ort, Notrufe usw. entscheiden, wie die Rettungsressourcen eingesetzt werden sollen. Dies ist jedoch zeitaufwändig und ineffizient.

Bei der Katastrophenhilfe ist es für eine sinnvolle Ressourcenverteilung entscheidend, rechtzeitig umfassende und genaue Informationen zu erhalten. Jetzt kann uns maschinelles Lernen dabei helfen, im Wettlauf mit der Zeit noch mehr Leben zu retten und Verluste zu verringern.

Es dauert nur 1 Sekunde, den Katastrophenort zu lokalisieren und das Ausmaß der Katastrophe einzuschätzen.

Während des Waldbrands in Kalifornien beteiligte sich ein Unternehmen namens CrowdAI an der Rettungsaktion, indem es Satellitendaten und integrierte Bildsichttechnologie nutzte.

CrowdAI verwendet Satellitenbilder von Spacenet und Deepglobe sowie Daten von DigitalGlobe und Planet Labs, um faltende neuronale Netzwerke zu trainieren.

Es dauert nur eine Sekunde, das Ausmaß der Katastrophe vorherzusagen und einzuschätzen. Anschließend können die Ergebnisse der Einschätzung an die Rettungsleitstelle gemeldet werden, um die Rettungsressourcen wissenschaftlich zuzuweisen und wissenschaftlichere Rettungspläne zu formulieren.

Mithilfe des maßgeschneiderten Deep-Learning-Modells von CrowdAI wurde die Kennzeichnung neben herkömmlichen Wohngebäuden auch auf eigenständige Strukturen wie Carports, Geräteschuppen und Scheunen ausgeweitet.

Bei diesem Brand markierte das KI-Modell, nachdem es die Struktur anhand der Satellitenbilder identifiziert hatte, die Schadensstelle mit roten Punkten, basierend auf einem Vergleich der Bilder vor und nach der Katastrophe.

Durch die Ausweitung auf das gesamte Gebiet kann die Schwere der Katastrophe anhand der Anzahl der markierten Punkte bestimmt werden und es können unterschiedliche Farben verwendet werden, um die Schwere der Katastrophe zu unterscheiden.

Und schließlich kann die Markierung in Google Earth oder ArcGIS als Orientierungshilfe für Katastrophenhilfe und Wiederaufbau dienen.

Devaki Raj, Gründer und CEO von CrowdAI, sagte zum anhaltenden Streben nach höherer Evaluierungsgeschwindigkeit:„Wenn Katastrophen passieren, müssen wir sie schnell vorhersagen, und deshalb brauchen wir diese Geschwindigkeit.“

Viele Rettungskräfte und Regierungsbeamte nutzen diese schnell generierten Daten, um Rettungsmaßnahmen rationaler zu koordinieren und so die Effizienz bei der Lösung kritischer Probleme zu verbessern.

„Im letzten Jahrzehnt sind riesige Mengen an Satelliten- und Drohnendaten online verfügbar geworden“, sagte Devaki Raj, Gründer und CEO von CrowdAI. „Wir nutzen die neuesten Fortschritte in der Computervision, um diese Daten zu verarbeiten.“

Um die Katastrophenbewertung so genau wie möglich durchführen zu können, war mit früheren Methoden ein umfangreiches Datentraining erforderlich. Jigar Doshi, Leiter für maschinelles Lernen bei CrowdAI, erwähnte jedoch: „Da die Technologie der maschinellen Bildverarbeitung bereits sehr ausgereift ist, müssen wir kein großes Modell (für Katastrophenbedingungen) trainieren, um effektive Bewertungen durchzuführen.“

Satellitendaten für eine humanistische Pflege unter Anleitung von KI

CrowdAI ähnelt anderen Unternehmen, die Satellitenbilder und andere Technologien zur Bereitstellung von Datendiensten verwenden. Der Unterschied besteht jedoch darin, dass sie ihre Bemühungen auf Naturkatastrophen konzentrieren.

CrowdAI arbeitete mit dem Telekommunikationsanbieter WOW zusammen, um die Gebäudeschäden in Panama City, Florida, nach dem letztjährigen Hurrikan Michael zu bewerten. Die von der NOAA bereitgestellten Daten stützten sich auf Satellitenbilder der Stadt und halfen WOW, die Hilfskräfte je nach Ausmaß der Katastrophe richtig einzusetzen, um eine schnelle Wiederherstellung zu erreichen.

CrowdAI hat außerdem mit Facebook AI zusammengearbeitet, um die Schadensbewertung durch Hurrikane und Waldbrände zu untersuchen. Ihre Forschungsergebnisse „Von Satellitenbildern zu Erkenntnissen über Katastrophen“Es wurde auch von der NeurIPS-Konferenz angenommen.

In dem Artikel berichten sie von beeindruckenden Ergebnissen: Sie erreichten eine Genauigkeit von 88,8 Prozent bei der Identifizierung der durch den Hurrikan Harvey im Jahr 2017 in der Nähe von Texas beschädigten Straßen und eine Genauigkeit von 81,1 Prozent bei der Identifizierung der durch die Brände in Santa Rosa beschädigten Gebäude.

Darüber hinaus ein weiterer Artikel von CrowdAI 《Residual Inception Skip Network für binäre Segmentierung》, bei dem es um die Identifizierung von Straßennetzen anhand von Satellitenbildern geht, wurde von einer anderen Top-Konferenz, der CVPR, angenommen.

Im Hinblick auf die Katastrophenvorhersage erforscht CrowdAI auch prädiktive Katastrophenmodelle. Es wird gesagt, dass sie aktiv versuchen, Deep-Learning-Tools zu entwickeln, die Satellitenbilder übertreffen können, indem sie Daten wie Wind, Niederschlag und soziale Medien integrieren.

Google und das McKinsey Global Institute haben einen Bericht über Fälle erstellt, in denen KI der Menschheit zugutekommt. In dem Bericht heißt es: „KI kann eine präzisere Rettung und Notfallvorsorge ermöglichen, ist schneller als menschliche Rettung und hat ein breiteres Anwendungsspektrum.“

Zweifellos zielen die meisten der vielen aktuellen Fälle maschinellen Lernens, die sich auf Satellitendaten beziehen, auf die Industrialisierung und Kommerzialisierung ab. CrowdAI bietet Satellitendaten humanistischere Anwendungsszenarien und macht Intelligenz menschlicher.