Evaluación de daños mediante el aprendizaje profundo en ArcGIS


Evaluación de daños mediante el aprendizaje profundo en ArcGIS


A raíz de un desastre natural, los esfuerzos de respuesta y recuperación pueden reducirse drásticamente mediante la recopilación manual de datos. Tradicionalmente, los asesores de seguros y los funcionarios gubernamentales tienen que confiar en la interpretación humana de las imágenes y las visitas al sitio para evaluar los daños y las pérdidas. Pero dependiendo del alcance de un desastre, este proceso necesario podría retrasar la ayuda a las víctimas del desastre.

El incendio de Woolsey se quemó durante 15 días, quemó casi 97,000 acres y dañó o destruyó miles de estructuras. El aprendizaje profundo dentro de ArcGIS se usó para identificar rápidamente las estructuras dañadas dentro del perímetro del incendio, rastreando rápidamente el tiempo para que los residentes y las empresas impactadas hagan que su ajustador procese las reclamaciones de seguros.
 
El proceso incluyó la captura de muestras de capacitación, la capacitación del modelo de aprendizaje profundo, la ejecución de herramientas de inferencia y la detección de viviendas dañadas, todo dentro de la plataforma ArcGIS. En este blog, veremos cada paso del proceso.
Paso 1: administrar las imágenes

Antes de que se extinguieran los incendios, DataWing voló drones en el perímetro del incendio y capturó imágenes de alta resolución de las áreas impactadas. Las imágenes totalizaron 40 GB de tamaño y se gestionaron utilizando un dataset de mosaico. El dataset de mosaico es el modelo principal de administración de imágenes para ArcGIS para administrar grandes volúmenes de imágenes.

Paso 2. Etiquetado y preparación de muestras de entrenamiento.

Antes de entrenar un modelo de aprendizaje profundo, se deben crear muestras de entrenamiento para representar áreas de interés; en este caso, la USAA estaba interesada en edificios dañados y sin daños. Los datos de la huella del edificio proporcionados por el condado de Los Ángeles se superpusieron en las imágenes de drones de alta resolución en ArcGIS Pro, y varios cientos de hogares se etiquetaron manualmente como Dañadas o no dañadas (se atribuyó un nuevo campo llamado "ClassValue" en la clase de entidad de huella del edificio). información). Estas funciones de capacitación se usaron para exportar muestras de capacitación utilizando la herramienta Exportar datos de capacitación para aprendizaje profundo en ArcGIS Pro, con el formato de salida de metadatos establecido en "Fichas etiquetadas".

Resultant image chips (Labeled Tiles used for training the Damage Classification model)
Fichas de imagen resultantes (mosaicos etiquetados utilizados para entrenar el modelo de clasificación de daños)

Paso 3: Entrenando el modelo de aprendizaje profundo

ArcGIS Notebooks se utilizó con fines de capacitación. ArcGIS Notebooks está preconfigurado con las bibliotecas de aprendizaje profundo necesarias, por lo que no se requiere configuración adicional. Con unas pocas líneas de código, se aumentaron las muestras de entrenamiento exportadas desde ArcGIS Pro. Usando el módulo arcgis.learn en la API Python de ArcGIS, se establecieron parámetros de entrenamiento óptimos para el modelo de evaluación de daños, y el modelo de aprendizaje profundo se entrenó utilizando una arquitectura ResNet34 para clasificar todos los edificios en las imágenes como dañados o no dañados.

El modelo convergió alrededor del 99% de precisión

Una vez completadas, las etiquetas de verdad básica se compararon con los resultados de la clasificación del modelo para obtener una idea cualitativa rápida sobre qué tan bien se desempeñó el modelo.

Model Predictions
Predicciones del modelo

Para obtener detalles completos sobre el proceso de capacitación, consulte nuestra publicación en Medium

Finalmente, con la función model.save (), el modelo se puede guardar y usar con fines de inferencia.

Paso 4: ejecutar las herramientas de inferencia
La inferencia se realizó utilizando la API de ArcGIS para Python. Al ejecutar la inferencia dentro de ArcGIS Enterprise utilizando la función model.classify_features en Notebooks, podemos llevar la inferencia a escala.

El resultado es un servicio de entidades que se puede ver en ArcGIS Pro. (Aquí hay un enlace al mapa web).

¡Más de nueve mil edificios fueron clasificados automáticamente usando capacidades de aprendizaje profundo dentro de ArcGIS!

El siguiente mapa muestra los edificios dañados marcados en rojo y los edificios no dañados en verde. Con una precisión del 99%, el modelo se acerca al rendimiento de un ajustador capacitado: lo que solía llevarnos días o semanas, ahora podemos hacerlo en cuestión de horas.
Inference results
Resultados de inferencia

Paso 5: Derivando información valiosa
Analista de negocios: ahora que teníamos una mejor comprensión del área afectada, queríamos entender quiénes eran los miembros afectados por los incendios. Al desplegar unidades de respuesta móviles en áreas de desastre, es importante saber dónde se encuentran las poblaciones con mayor riesgo, por ejemplo, los ancianos o los niños. Mediante el uso de infografías de ArcGIS Business Analyst, extrajimos características valiosas e información sobre la comunidad afectada y generamos un informe para ayudar a las unidades móviles a tomar decisiones más rápido.

Get location intelligence with ArcGIS Business Analyst
Obtenga inteligencia de ubicación con ArcGIS Business Analyst

Operations Dashboard: Al usar el panel de operaciones que contiene capas de características enriquecidas, creamos un acceso dinámico fácil al estado de cualquier estructura, el valor de las estructuras dañadas, la población afectada y mucho más.



Resumen:
Utilizando capacidades de aprendizaje profundo, imágenes y enriquecimiento de datos en la plataforma ArcGIS, podemos distinguir rápidamente los edificios dañados de los no dañados, identificar las poblaciones más expuestas y las organizaciones pueden usar esta información para actividades de respuesta y recuperación rápidas.

Más recursos:

SOBRE LOS AUTORES

Gerente de producto en el equipo de Imágenes en Esri, con un celo por la teledetección y todo lo relacionado con las imágenes.

Líder de desarrollo - ArcGIS API para Python. Aplicando el aprendizaje profundo a la Ciencia de Donde @Esri. https://twitter.com/geonumist


¿Necesita más información? ¡Escríbanos!
Un ejecutivo de SIGSA está esperando atenderle.






Comentarios

Entradas más populares de este blog

Crea un mapa demográfico en 5 minutos

Como GM planea y administra el riesgo de la cadena de suministro

Agregar y usar fotos e imágenes en ArcGIS Online