Dev Summit 2022: utilice el Deep Learning para optimizar la asignación de instalaciones

Inteligencia Artificial para Gobierno

Existe una necesidad de garantizar que el acceso a agua limpia y saneamiento, firmemente reconocido como un derecho humano fundamental,  y que esté disponible para las poblaciones vulnerables en los campamentos de refugiados en Rohingya, el asentamiento de refugiados más grande del mundo ubicado en el distrito de Cox’s Bazar en Bangladesh.

En presentación plenaria de la Developer Summit 2022, Ling Tang aprovechó el poder del aprendizaje profundo para identificar qué porcentaje de personas en un subconjunto de los campos de refugiados en Rohingya carecen de acceso a un baño dentro de una caminata de 2,5 minutos, lo que puede ayudar a optimizar la asignación de instalaciones para abordar mejor las crecientes necesidades de agua y saneamiento en el asentamiento.

Los invito a ver el video de la plenaria y luego a continuar con la lectura de este artículo para obtener un resumen de los procesos que Ling Tang exploró en su demostración.

https://mediaspace.esri.com/media/t/1_8gctm893

Extraer huellas de refugio

En primer lugar, Ling Tang usó la herramienta “Detectar objetos mediante deep learning”, una de las muchas herramientas de la caja de herramientas de Image Analyst que facilitan los flujos de trabajo de deep learning, junto con el modelo pre entrenado “Building Footprint Extraction” que puede encontrar en el Living Atlas para automatizar los procesos que requieren mucho tiempo y trabajo. Esto resultó en la detección de más de 4000 estructuras en las imágenes de drones de alta resolución del campamento proporcionadas por la Organización Internacional para las Migraciones (OIM). En el mapa, las características azules representan los edificios detectados.

 

 

Sin embargo, el modelo pre entrenado no extrajo las huellas de las tiendas de campaña esparcidas por el campamento. Para extraer estas huellas faltantes, Ling Tang utilizó primero la herramienta “Etiquetar objetos para Deep learning” para capturar muestras y digitalizar un conjunto de datos de entrenamiento. A continuación, generó una carpeta de chips de imágenes a partir del conjunto de datos de entrenamiento mediante la herramienta “Exportar datos de entrenamiento para deep learning”.

 

Luego usó los chips de imagen para entrenar un nuevo modelo usando la herramienta “Entrenar modelo de deep learning”. El modelo Building Footprint Extraction previamente entrenado se utilizó para ajustar el nuevo modelo, que convergió en una puntuación de alta precisión del 85 %. Finalmente, usó la herramienta “Detectar objetos usando Deep Learning” nuevamente, pero esta vez junto con el modelo recién entrenado para detectar 3000 estructuras adicionales. En el mapa, las características rojas representan las estructuras recién detectadas.

 

Evaluar el acceso a baños

Después de saber dónde y qué tamaño tienen las tiendas de campaña dentro del campamento, Ling Tang estimó la población utilizando una densidad de población de 1 persona por cada 6 metros cuadrados, una estadística proporcionada por el Alto Comisionado de las Naciones Unidas para los Refugiados (ACNUR).

 

 

Luego, aprovechó las herramientas de análisis de red y el conjunto de datos de red para asignar tiendas de campaña a baños en función de la población, la distancia a pie y la capacidad del baño. En el mapa, las características verdes y amarillas representan refugios a un minuto y hasta 2,5 minutos a pie de un baño, respectivamente; y las líneas negras representan senderos para caminar. Las características rojas indican tiendas de campaña que no se pudieron asignar a un baño porque los baños cercanos están a más de 2,5 minutos a pie o superan su capacidad.

 

 

Finalmente, Ling Tang mostró cómo se puede transmitir información de alto nivel de manera intuitiva, interactiva y completa a través de un tablero. El tablero que creó destaca claramente la información crítica, como el porcentaje de la población en el área de estudio que no tiene acceso a un baño dentro de una caminata de 2,5 minutos.

 

 

¿Quiere aprender más?

La demostración de Ling Tang mostró cómo se pueden usar las herramientas de deep learning para extraer información significativa, como el acceso a instalaciones básicas de agua y saneamiento en los campos de refugiados, lo que puede ayudar a las agencias humanitarias a adaptar su respuesta de manera más efectiva. Visite la documentación de ArcGIS Pro para obtener más información sobre cómo puede aprovechar el poder del aprendizaje profundo para facilitar su trabajo GIS.

 

Ricardo Castaño

Especialista en Transformación Digital

TELEMATICA S.A. 

 

comentarios

0