A raíz de un desastre natural, los esfuerzos de respuesta y recuperación pueden enlentecerse drásticamente con 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 lugar para evaluar los daños y las pérdidas. Pero dependiendo del alcance de un desastre, este necesario proceso podría retrasar la ayuda a las víctimas del desastre.
El incendio de Woolsey ardió durante 15 días, quemó casi 97,000 acres y dañó o destruyó miles de estructuras. El aprendizaje profundo (Deep Learning) en ArcGIS se usó para identificar rápidamente las estructuras dañadas dentro del perímetro del incendio, rastreando rápidamente el tiempo para que los residentes y los negocios impactados hagan que su ajustador procese las reclamaciones de las aseguradoras.
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 sumaron 40 GB de tamaño y se gestionaron utilizando un dataset de mosaico. El dataset de mosaico es el modelo principal de administración de imágenes en ArcGIS para administrar grandes volúmenes de imágenes.
Paso 2. Etiquetado y preparación de muestras de capacitación
Antes de capacitar un modelo de aprendizaje profundo, se deben crear muestras de capacitación 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 Dañados o No dañados (se atribuyó con esta información a un nuevo campo llamado «ClassValue» en la clase de entidad de huella del edificio). 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 configurado como «Teselas etiquetadas».
Fichas de imágenes resultantes (teselas etiquetadas utilizadas para capacitar el modelo de clasificación de daños).
Paso 3: Capacitando 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 capacitación exportadas desde ArcGIS Pro. Usando el módulo arcgis.learn en la API de Python de ArcGIS, se establecieron parámetros de capacitación óptimos para el modelo de evaluación de daños, y el modelo de aprendizaje profundo fue capacitado utilizando una arquitectura ResNet34 para clasificar todos los edificios en las imágenes como Dañados o No dañados.
El modelo convergió alrededor de 99% de precisión.
Una vez completadas, las etiquetas de verdad 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.
Finalmente, con la función model.save (), el modelo se puede guardar y usar con fines de hacer inferencias.
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.
¡Más de nueve mil edificios fueron clasificados automáticamente usando capacidades de aprendizaje profundo en 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 desempeño de un ajustador capacitado: lo que solía llevarnos días o semanas, ahora podemos hacerlo en cuestión de horas.
Resultados de la inferencia.
Paso 5: Derivando información valiosa
Business Analyst: Ahora que tuvimos 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.
Obtén inteligencia de ubicación con Business Analyst de ArcGIS.
Operations Dashboard: Al usar un panel de operaciones que contiene capas de entidades enriquecidas, creamos un fácil acceso dinámico 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 rápidas de respuesta y recuperación.
Vinay Viswambharan
Gerente de Producto en el equipo de Imágenes
Esri Inc.
Rohit Singh
Líder de Desarrollo – API de ArcGIS para Python
Esri Inc.
comentarios
0