臉書和CrowdAI的研究人員合作,以卷積神經網路(CNN)識別衛星圖片,找出受災嚴重的區域。比起人工方法,人工智慧能花較少的時間產生精確度更高的資訊,未來將有助於搜救人員快速確定需要援助的地方,不再仰賴手動標記的特定災難資料集。

在自然災害發生時,即時繪測受影響的地區非常重要,可以讓救援人員在極短的時間,掌握受影響最大的區域,即時地提供物資和援助。過去已有不少類似的研究,在電腦視覺的領域,衛星圖像的語意分割(Semantic Segmentation)被廣泛的應用在理解人造物件上,像是道路、建築物以及土地利用等。不過現存的這些分析應用,都僅局限於單一時間獲取的圖像資料,研究人員表示,想要應用在災難影響上,必須要擴充使用時間序列資料,以偵測變化的區域。

另外一個需要克服的問題,便是用於偵測影像變化的方法,雖然偵測時間序列資料變化最簡單的方法,是直接比較衛星圖片的原始RGB值,但是研究人員提到,隨著季節、光照或是雜訊的不同,即使沒有受災害影響的區域,跨時間序列的地表照片像素質也可能完全不同。過去的研究使用CNN,藉由過去受損與未受損的兩類建築物來偵測新受損建物,需要耗時的手動標記圖片中像是被燒毀的建築物等資料,以訓練人工智慧,研究人員認為,這種方法仰賴為受損區域建立相對較大的資料集,成本高昂且不可擴展。

臉書與和CrowdAI的研究人員提出的新方法,僅使用一般道路以及建築物資料集,而這些資料集都是現成,可以擴展應用到其他相似的自然災害。為了避免季節變化或是陽光照射等因素,影響衛星圖片品質造成錯誤的結果,研究人員首先訓練機器學習模型,偵測道路與建築等高級特徵,接著讓模型對災害區域產生預測遮罩,透過計算災難發生前後捕捉的資料快照,提取出的特徵之間的相對差異,就能確定出該區域經過災難後的變化。

研究人員還提出了用來量化災難程度的新指標災害影響指數(Disaster Impact Index,DII),透過CNN所產生災難前與災難後的語意分割結果,可以計算出特徵的最大改變,幫助不同類型的特徵和災難進行標準化。臉書提到,他們使用來自加州Harvey颶風以及Tubbs火災的資料集,以模型計算的災害影響指數與實際影響區域比較,發現之間有強烈的相關性。該指數可以幫救援人員,找出需要優先援助的區域,以協調救災資源調度。

這個研究臉書與CrowdAI的研究人員提出了新方法,可以使用不同時間捕捉的衛星圖像,並使用基於CNN的語意分割模型,偵測各種人造特徵的變化,並將其用於檢測受自然災害影響的區域。臉書提到,雖然目前這個方法只針對道路和建築物,但還可以擴展至其他自然或是人造特徵,量化其受災害影響的程度。

熱門新聞

Advertisement