Usando tecnología para acelerar los esfuerzos de rescate en inundaciones

Las Inundaciones pueden ser un verdadero dolor de cabeza, especialmente para países del sur de Asia como Bangladesh, India y Pakistán. Enfrentan inundaciones tan a menudo que es como si la naturaleza dijera: “¡Sorpresa! ¡Aquí tienes un poco de agua!” Pero en serio, estas inundaciones pueden causar muchos problemas, sumergiendo hogares y poniendo vidas en riesgo.

Imagínate tener que buscar sobrevivientes en un área inundada. Toma tiempo, y cada minuto cuenta. Por suerte, con algunas habilidades tecnológicas ingeniosas, podemos acelerar las cosas. Usando imágenes aéreas y algoritmos inteligentes, podemos saber dónde están las inundaciones y exactamente dónde están las personas y las casas. Esto significa que los equipos de búsqueda y Rescate pueden llegar a los lugares correctos más rápido y salvar más vidas.

#El Nuevo Conjunto de Datos: Imágenes Aéreas Amigables de Inundaciones

Para que esto funcione, creamos un nuevo conjunto de datos lleno de imágenes aéreas de inundaciones en el sur de Asia. Esta colección es como un cofre del tesoro para las misiones de rescate. El conjunto de datos tiene imágenes clasificadas en cuatro categorías:

• Solo inundación
• Inundación con casas
• Inundación con personas
• Sin inundación en absoluto

No solo tomamos fotos al azar. Seleccionamos cuidadosamente imágenes que muestran las características únicas de las inundaciones en los países del sur de Asia. Por ejemplo, las formas de las casas y los colores del agua de inundación son similares en esta región, lo que facilita que nuestras herramientas tecnológicas reconozcan patrones y diferencias.

#Los Modelos Súper Inteligentes

Para ayudar a clasificar estas imágenes, usamos varios modelos informáticos avanzados. Probamos un modelo especial llamado Compact Convolutional Transformer (CCT), junto con algunos otros modelos conocidos que se basan en fundamentos similares. Piensa en ellos como un grupo de superhéroes, cada uno con sus propias habilidades para enfrentar el desafío de clasificar escenas de inundaciones.

También usamos un genial modelo de detección de objetos llamado YOLOv8 para localizar casas y personas en las imágenes. Es como tener un par de ojos de águila que pueden detectar lo importante en el caos de una inundación. Luego comparamos qué tan bien funcionaron estos modelos, como una competencia amistosa entre superhéroes.

#Entendiendo la Situación de las Inundaciones

Las inundaciones son uno de los desastres naturales más frustrantes y dañinos. El sur de Asia es particularmente vulnerable debido a su geografía. La alta precipitación, el aumento del nivel del mar y las casas construidas con diferentes materiales pueden contribuir al caos causado por las inundaciones.

Por ejemplo, en junio de 2024, una inundación masiva en Bangladesh dejó a alrededor de 1.8 millones de personas atrapadas. Esto muestra cuán desprepared está mucha gente durante tales eventos. Una situación similar ocurrió en Pakistán en 2022, con inundaciones que afectaron a un tercio de la nación y afectaron a alrededor de 33 millones de vidas.

En tiempos de desastre, varios grupos gubernamentales y de ayuda a menudo usan botes y aviones para buscar sobrevivientes, pero esto puede llevar mucho tiempo valioso. Por lo tanto, encontrar formas más inteligentes de ubicar a las personas rápidamente es crucial.

#Aprendiendo de Trabajos Anteriores

Otros investigadores también han intentado abordar los desafíos de las operaciones de rescate post-inundación. Por ejemplo, algunos han utilizado Drones y redes neuronales para identificar áreas inundadas. Usar sensores remotos e imágenes satelitales es una forma de recopilar datos, pero este enfoque tiene sus límites. Los drones pueden acercarse y dar una visión mucho más clara de la situación actual.

El objetivo principal de nuestro trabajo es acelerar los esfuerzos de rescate y minimizar las víctimas. Al usar imágenes aéreas, podemos identificar rápidamente dónde están las inundaciones, especialmente en países del sur de Asia donde el entorno geográfico y cultural es similar.

#Gran Potencial para el Cambio

Nuestro trabajo se centra en mejorar las iniciativas de búsqueda y rescate en estas áreas propensas a inundaciones del sur de Asia. Emplear drones para la obtención de imágenes aéreas puede darle a los equipos de rescate una ventaja al ayudarles a mapear con precisión las zonas inundadas y encontrar personas. Con la introducción de modelos basados en transformadores en la clasificación de imágenes, podemos hacer que este proceso sea aún más efectivo.

#Una Mirada Más Cercana al Conjunto de Datos

Llamamos a nuestro conjunto de datos AFSSA (Aerial Flood Scene South Asia). A diferencia de otros Conjuntos de datos que incluyen imágenes de todo el mundo, el nuestro está diseñado específicamente para el sur de Asia. Esto le da una mejor oportunidad de tener éxito con las tareas de clasificación de inundaciones en la región.

Para reunir las imágenes, buscamos en YouTube videos de eventos de inundaciones reales capturados por drones. Este material nos dio una vista más auténtica de la situación. Recopilamos videos de Bangladesh, India y Pakistán para asegurarnos de tener un conjunto de datos bien equilibrado con diversas escenas de inundación.

Después de recopilar el material, extrajimos imágenes y las clasificamos en las cuatro clases que mencionamos antes. Reunimos más de 300 imágenes para cada categoría, asegurándonos de tener suficientes datos para trabajar.

#Haciendo Más Imágenes con Aumento

Para hacer que nuestro conjunto de datos sea aún más grande, utilizamos una técnica llamada aumento de imágenes. Esto implica crear variaciones de nuestras imágenes rotándolas, desplazándolas y volteándolas. Después de este paso, terminamos con más de 8600 imágenes, haciendo que nuestro conjunto de datos sea bastante robusto.

También mejoramos el contraste de nuestras imágenes utilizando un método llamado CLAHE. Esto ayuda a resaltar los detalles importantes, facilitando que nuestros modelos aprendan y hagan predicciones precisas.

#Manteniéndolo Ético

Nos aseguramos de seguir prácticas éticas mientras recopilamos nuestras imágenes. Todos los videos de YouTube que utilizamos eran públicos y acreditamos a los creadores de contenido de manera apropiada. No hay necesidad de ser sigilosos cuando se puede mantener todo en orden.

#Nuestros Modelos: Las Estrellas del Espectáculo

Implementamos varios modelos diferentes para nuestras tareas de clasificación. Cada modelo tiene su propio número de parámetros, que es básicamente una forma elegante de decir cuán complicado es el modelo. El modelo CCT se destacó con el mejor rendimiento, logrando una impresionante precisión del 98.62%.

Los otros modelos basados en transformadores que probamos, como Vision Transformer (ViT) y Swin Transformer, también funcionaron decentemente, pero no pudieron seguir el ritmo del CCT.

Mientras tanto, nuestros modelos basados en CNN mostraron niveles de éxito variados. El modelo de conjunto, que combina varios CNN, logró alcanzar también una precisión bastante alta.

#¡Los Resultados Están Aquí!

Después de ejecutar todos nuestros modelos, evaluamos su rendimiento utilizando métricas como precisión, exactitud y recuperación. Los modelos basados en transformadores generalmente tuvieron un mejor rendimiento que los basados en CNN. CCT fue el campeón indiscutible, demostrando lo efectivo que es en clasificar escenas de inundaciones.

La matriz de confusión es como un marcador que muestra qué tan bien lo hizo cada modelo. CCT tuvo una gran cantidad de verdaderos positivos, lo que significa que identificó correctamente las áreas inundadas y la presencia humana.

#El Impacto de Nuestra Investigación

Esta investigación no es solo un ejercicio académico. Tiene implicaciones reales para las personas que viven en regiones propensas a inundaciones. Al permitir que drones y otros sistemas aéreos identifiquen casas y personas en áreas inundadas, podemos ayudar a los rescatistas a llegar a los necesitados mucho más rápido.

En un momento crítico, esta tecnología podría marcar la diferencia entre la vida y la muerte para alguien atrapado por una inundación.

#¿Qué Sigue?

Mirando hacia adelante, planeamos mejorar aún más nuestro conjunto de datos. Queremos recopilar tantas imágenes adicionales como sea posible y aumentar la complejidad de nuestros modelos. Cuantos más datos tengamos, mejor podrán aprender y adaptarse nuestros modelos.

También queremos explorar la idea de integrar nuestros modelos de clasificación en plataformas UAV existentes. De esta manera, podríamos tener un poderoso conjunto de herramientas de búsqueda y rescate a disposición de quienes más lo necesitan en medio de desastres naturales.

En conclusión, nuestro trabajo ofrece un vistazo a cómo la tecnología puede ayudar a enfrentar los desafíos que plantean las inundaciones. Con un poco de creatividad y las herramientas adecuadas, podemos marcar la diferencia, potencialmente salvando innumerables vidas en el proceso. Se trata de convertir esas inundaciones de un desastre en una situación manejable, una imagen a la vez.

¡Crucemos los dedos por menos inundaciones en el futuro y más soluciones tecnológicas para ayudar a los afectados!