Uma Nova Abordagem para Avaliação de Danos em Edificações Após Desastres
Juntando a expertise humana e tecnologia pra avaliações de danos mais rápidas depois de um desastre.
― 6 min ler
Índice
Avaliar os danos em prédios logo após um desastre natural é super importante pra ajudar os primeiros socorristas a entenderem quais recursos são necessários no local. Quando ocorrem tornados, enchentes ou outras catástrofes, ter informações precisas rapidamente pode fazer toda a diferença. No entanto, avaliar os danos nos edifícios não é fácil, especialmente porque os tipos de danos podem variar muito e, muitas vezes, não tem dados rotulados suficientes pra trabalhar. Esse artigo fala sobre um novo método que junta a expertise humana com tecnologia pra avaliar os danos em prédios de forma mais eficaz.
O Desafio da Avaliação de Danos
Depois que um desastre acontece, surgem vários desafios na hora de avaliar o quanto os prédios foram danificados. Esses desafios incluem os diferentes tipos de danos que podem ocorrer, os vários tipos de Imagens de Satélite que podem estar disponíveis e a limitação de dados rotulados que podem ser usados pra treinar os Modelos de avaliação. Os métodos tradicionais de avaliação de danos costumam exigir muitos dados pré-existentes ou condições específicas que podem não estar sempre disponíveis depois de um desastre.
O objetivo desse novo método é treinar modelos de avaliação de danos rapidamente após um desastre, mesmo com dados limitados. Esse método usa uma abordagem com humano no meio do processo, ou seja, o julgamento humano é integrado no treinamento e na melhoria dos modelos.
O Tornado em Rolling Fork, Mississippi
No dia 24 de março de 2023, um tornado EF4 atingiu Mississippi, causando uma destruição pesada. O tornado durou cerca de 71 minutos, resultando em 16 mortes e várias pessoas feridas. Ele começou no Condado de Issaquena e foi avançando a nordeste pelos Condados de Sharkey e Humphreys, atingindo cidades como Rolling Fork, Midnight e Silver City. O tornado destruiu casas, negócios, escolas e até um hospital. O maior estrago foi em Rolling Fork, onde muitas estruturas foram ou destruídas ou severamente danificadas.
No dia seguinte ao tornado, um satélite capturou imagens nítidas de Rolling Fork. Essas imagens forneceram dados valiosos pra implementar um novo método de avaliação de danos, que é um dos focos desse artigo.
Implementando o Fluxo de Trabalho de Avaliação de Danos
O processo de avaliação de danos consiste em várias etapas-chave:
Aquisição de Imagens de Satélite: Obter imagens de satélite de alta resolução que foram tiradas após o desastre na área de interesse. Essas imagens dão informações cruciais sobre como os prédios ficam após o evento.
Aquisição de Contornos de Prédios: Coletar dados do contorno dos prédios, que basicamente é o contorno de onde os prédios estão localizados. Esses dados podem geralmente ser encontrados em fontes online como o OpenStreetMap.
Rotulando as Imagens: Uma seleção de contornos de prédios das imagens de satélite é rotulada manualmente. Essa rotulagem envolve identificar quais prédios foram danificados e quais não foram, com base na inspeção visual das imagens.
Treinando o Modelo: Um pequeno conjunto de dados rotulados é usado pra ajustar um modelo pré-existente. Esse modelo ajuda a classificar cada pixel nas imagens, determinando se representa uma área de fundo, um prédio ou um prédio danificado.
Avaliação de Desempenho: Após o modelo ser treinado, ele é testado contra dados reais, coletados por especialistas no campo. Isso permite medir como o modelo se saiu em identificar prédios danificados.
Resultados da Avaliação em Rolling Fork
Depois do tornado em Rolling Fork, foram produzidas estimativas de danos para 1.347 prédios usando as imagens de satélite tiradas no dia seguinte ao desastre. A avaliação teve resultados impressionantes. Comparando as previsões do modelo com os dados reais coletados após o desastre, a precisão do modelo foi de 0,86 e o recall foi de 0,80. A precisão mede quantos dos prédios previstos como danificados realmente estavam danificados, enquanto o recall mede quantos dos prédios danificados de fato foram identificados corretamente.
A validação da saída do modelo mostrou que ele podia identificar com precisão áreas de danos significativos e fornecer dados úteis pros socorristas no local.
O Impacto da Avaliação Rápida de Danos
Avaliar rapidamente os danos após um desastre tem um grande impacto nos esforços de resposta. Isso permite que os primeiros socorristas saibam onde direcionar seus recursos. Por exemplo, ao entender quais prédios foram afetados e a extensão desse dano, as equipes podem priorizar áreas para operações de busca e resgate, enviar assistência médica e fornecer abrigo pra quem precisa.
Nas semanas seguintes ao tornado, mais de 800 trabalhadores treinados em desastres foram enviados pra ajudar as áreas afetadas. Esses trabalhadores ofereceram abrigo, comida, serviços médicos e apoio à saúde mental pra comunidade. Isso é uma parte essencial de ajudar uma comunidade a se recuperar após enfrentar um desastre.
O fluxo de trabalho de avaliação estabelecido em Rolling Fork se mostrou eficaz e eficiente, completando o processo em até duas horas pra cada cena de imagem de satélite. Essa flexibilidade e rapidez fazem dele uma ferramenta valiosa em cenários reais de resposta a desastres, onde as condições podem mudar rapidamente e os recursos precisam ser alocados eficientemente.
Conclusão e Trabalho Futuro
O novo método de avaliação de danos com humano no meio mostra grande potencial como uma forma rápida e eficiente de avaliar os danos nos prédios após desastres naturais. A técnica pode usar dados mínimos enquanto fornece resultados significativos que ajudam nos esforços de resposta a desastres.
Ao integrar a expertise humana com tecnologia automatizada, o modelo pode se adaptar a diferentes desastres e condições, tornando-se uma ferramenta poderosa nos dias e semanas após um desastre. Os planos futuros incluem refinar ainda mais esse fluxo de trabalho, testar sua eficácia em diferentes tipos de desastres e incentivar uma colaboração mais forte entre tecnologia e expertise humana pra melhorar a preparação e resposta a desastres.
Essa abordagem destaca a importância de Avaliações de Danos rápidas e precisas, que podem melhorar significativamente como as comunidades se recuperam após enfrentar as incertezas trazidas por desastres naturais.
Título: Rapid building damage assessment workflow: An implementation for the 2023 Rolling Fork, Mississippi tornado event
Resumo: Rapid and accurate building damage assessments from high-resolution satellite imagery following a natural disaster is essential to inform and optimize first responder efforts. However, performing such building damage assessments in an automated manner is non-trivial due to the challenges posed by variations in disaster-specific damage, diversity in satellite imagery, and the dearth of extensive, labeled datasets. To circumvent these issues, this paper introduces a human-in-the-loop workflow for rapidly training building damage assessment models after a natural disaster. This article details a case study using this workflow, executed in partnership with the American Red Cross during a tornado event in Rolling Fork, Mississippi in March, 2023. The output from our human-in-the-loop modeling process achieved a precision of 0.86 and recall of 0.80 for damaged buildings when compared to ground truth data collected post-disaster. This workflow was implemented end-to-end in under 2 hours per satellite imagery scene, highlighting its potential for real-time deployment.
Autores: Caleb Robinson, Simone Fobi Nsutezo, Anthony Ortiz, Tina Sederholm, Rahul Dodhia, Cameron Birge, Kasie Richards, Kris Pitcher, Paulo Duarte, Juan M. Lavista Ferres
Última atualização: 2023-08-24 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2306.12589
Fonte PDF: https://arxiv.org/pdf/2306.12589
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.