CrowdAI Utilise Des Images Satellites Pour Évaluer Les Pertes Causées Par Les Incendies De Forêt En Californie

Description de la scène :En comparant les images satellites des zones sinistrées avant et après, nous pouvons marquer les bâtiments et déterminer l'étendue de la catastrophe dans la zone, contribuant ainsi à répartir rationnellement les ressources de sauvetage.

Mots-clés:Prévention des catastrophes naturelles, reconnaissance d'images, imagerie satellite, réseaux de neurones convolutifs, reconnaissance d'objets

Les catastrophes naturelles ont causé d’énormes pertes

L’automne dernier, des incendies de forêt ont ravagé la Californie pendant trois semaines. Il s’agit de l’incendie de forêt le plus meurtrier aux États-Unis depuis un siècle, faisant 85 morts et détruisant environ 140 000 maisons.

Selon les statistiques, des centaines de catastrophes naturelles se produisent chaque année dans le monde, tuant près de 50 000 personnes, déplaçant des dizaines de millions de personnes et causant des pertes économiques de plus de 100 milliards de dollars chaque année.

Après une catastrophe naturelle, la méthode de réponse traditionnelle consiste pour les secouristes à déterminer comment déployer les ressources de secours par le biais d'observations sur place, d'appels de secours, etc., ce qui prend du temps et est inefficace.

Dans les opérations de secours en cas de catastrophe, il est essentiel d’obtenir des informations complètes et précises en temps opportun afin de parvenir à une allocation rationnelle des ressources. Désormais, l’apprentissage automatique peut nous aider à courir contre la montre et à sauver davantage de vies et de pertes.

Il suffit d’une seconde pour localiser le lieu de la catastrophe et évaluer l’étendue de la catastrophe.

Lors de l'incendie de forêt en Californie, une société appelée CrowdAI a participé au sauvetage en utilisant des données satellite et une technologie de vision d'image intégrée.

CrowdAI utilise des images satellites de Spacenet et Deepglobe, ainsi que des données de DigitalGlobe et Planet Labs, pour former des réseaux neuronaux convolutifs.

Il suffit d’une seconde pour prévoir et évaluer l’ampleur de la catastrophe, puis rapporter les résultats de l’évaluation au centre de commandement de sauvetage pour aider à allouer scientifiquement les ressources de sauvetage et à formuler des plans de sauvetage plus scientifiques.

Grâce au modèle d'apprentissage profond personnalisé de CrowdAI, en plus d'étiqueter les bâtiments résidentiels conventionnels, il s'est également étendu aux structures indépendantes telles que les abris de voiture, les hangars utilitaires et les granges.

Dans cet incendie, après avoir identifié la structure à partir de l'imagerie satellite, le modèle d'IA a marqué l'emplacement des dommages avec des points rouges sur la base d'une comparaison d'images avant et après la catastrophe.

En s'étendant à l'ensemble de la zone, la gravité de la catastrophe peut être déterminée par le nombre de points marqués, et différentes couleurs peuvent être utilisées pour distinguer la gravité de la catastrophe.

Enfin, les marquer sur Google Earth ou ArcGIS peut fournir des indications pour les secours en cas de catastrophe et les travaux de reconstruction.

Devaki Raj, fondateur et PDG de CrowdAI, a déclaré à propos de la recherche continue de la vitesse d'évaluation :« Lorsque des catastrophes surviennent, nous devons les prévoir rapidement, et c’est pourquoi nous avons besoin de cette rapidité. »

De nombreux secouristes et responsables gouvernementaux utilisent ces données générées rapidement pour coordonner plus rationnellement les efforts de sauvetage, ce qui améliore l’efficacité de la résolution des problèmes critiques.

« Au cours de la dernière décennie, des quantités massives de données provenant de satellites et de drones sont devenues disponibles en ligne », a déclaré Devaki Raj, fondateur et PDG de CrowdAI. « Nous utilisons les dernières avancées en matière de vision par ordinateur pour traiter ces données. »

Afin de réaliser l'évaluation de la catastrophe aussi précisément que possible, les méthodes précédentes nécessitaient une grande quantité de formation de données, mais Jigar Doshi, responsable de l'apprentissage automatique chez CrowdAI, a mentionné que « parce que la technologie de vision artificielle est déjà très mature, nous n'avons pas besoin de former un grand modèle (pour les conditions de catastrophe) pour mener des évaluations efficaces. »

Données satellitaires pour des soins humanistes sous la direction de l'IA

CrowdAI est similaire à d’autres entreprises qui utilisent l’imagerie satellite et d’autres technologies pour fournir des services de données, mais la différence est qu’elles concentrent leurs efforts sur les catastrophes naturelles.

CrowdAI a travaillé avec le fournisseur de télécommunications WOW pour évaluer les dommages causés aux bâtiments de Panama City, en Floride, après l'ouragan Michael de l'année dernière. Sur la base d'images satellites de la ville fournies par la NOAA, les données qu'elles ont fournies ont aidé WOW à déployer de manière appropriée les travailleurs en fonction de l'ampleur de la catastrophe afin de parvenir à un rétablissement rapide.

CrowdAI a également travaillé avec Facebook AI pour étudier les évaluations des dommages causés par les ouragans et les incendies de forêt. Les résultats de leurs recherches « De l'imagerie satellite aux analyses des catastrophes »Il a également été accepté par la conférence NeurIPS.

Dans l'article, ils rapportent des résultats impressionnants : ils ont atteint une précision de 88,8 % dans l'identification des routes endommagées par l'ouragan Harvey près du Texas en 2017, et une précision de 81,1 % dans l'identification des bâtiments endommagés lors des incendies de Santa Rosa.

De plus, un autre article de CrowdAI « Réseau de saut d'initialisation résiduelle pour la segmentation binaire », qui porte sur l'identification des réseaux routiers à partir d'images satellites, a été accepté par une autre conférence de premier plan, CVPR.

En termes de prévision des catastrophes, CrowdAI explore également des modèles prédictifs de catastrophes. On dit qu’ils essaient de développer activement des outils d’apprentissage en profondeur qui peuvent surpasser les images satellites en intégrant des données telles que le vent, les précipitations et les médias sociaux.

Google et McKinsey Global Institute ont produit un rapport sur les cas où l’IA profite à l’humanité. Le rapport indique que « l’IA peut fournir des secours et une préparation aux situations d’urgence plus précis, est plus rapide que le sauvetage humain et a une gamme d’applications plus large. »

Sans aucun doute, parmi les nombreux cas actuels d’apprentissage automatique ciblant les données satellitaires, la plupart visent l’industrialisation et la commercialisation. CrowdAI fournit des données satellites avec des scénarios d'application plus humanistes et rend l'intelligence plus humaine.