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".
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.
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.
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.
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
Comentarios
Publicar un comentario