關於AI在自然災害中的應用和發展狀態，今天以FB （雖然最近有點不景氣 ）的應用為主，來分析一下。

                                     上圖:颶風哈維來襲時，德克薩斯州，休斯頓以北幾英里處，春季洪水氾濫。

Facebook AI研究人員已經開發出一種方法來分析衛星影象，並確定一個地區在火災和洪水等自然災害後遭受的破壞程度。

在自然災害發生後，該方法可以幫助應急人員識別受影響最嚴重的地區。

研究小組還建立了一個指標，用於衡量自然災害造成的損害程度，稱為災害影響指數（DII），可用於推斷嚴重的洪水或火災。

在2017年德克薩斯州Sugar Land附近的Hurricane Harvey識別損壞的道路時，卷積神經網路達到了88.8％的準確率，在Santa Rosa火災中識別損壞的建築物時達到了81.1％。

災難之後依賴於某個區域的靜態影象進行分析，而不像過去基於人工智慧的分析所關注的那樣，該方法依賴於在自然災害之前和之後拍攝的照片，並將每張照片分解為更小，更多 容易消化的照片網格。

                                                                    ARCGIS FACEBOOK資料地圖

“作為這項工作的一部分，我們只關注道路和建築，但這可以擴充套件到量化災害對其他一般自然和人造特徵的影響，”該報說。

這項名為“從衛星影象到災難洞察”的研究由Facebook AI Research的Saikat Basu和管龐，以及CrowdAI的機器學習負責人Jigar Doshi共同完成。

CrowdAI的處理原理：

• 首先，我們與像DigitalGlobe和Planet這樣的高質量衛星影象提供商合作，獲取指定日期和地區的影象，上圖就是例子。

• 接下來，我們在影象上執行一種深度學習演算法。這就產生了一個信心，即每個畫素都是目標特徵(在本例中是建築物)的一部分（如上圖）。

• 最後，我們使用一套計算機視覺技術將這些概率轉換成可用的資料，如建築物的形狀、大小和密度（見上圖）。

這篇論文本週在蒙特利爾舉行的神經資訊處理系統(NeurIPS)會議上被分享。

為了識別道路和建築物，卷積神經網路使用了Spacenet和Deepglobe衛星影象以及DigitalGlobe和Planet Labs的影象進行訓練。人工智慧系統檢測了德克薩斯州Sugar Land附近約55平方英里的區域和加利福尼亞州Santa Rosa附近約46平方英里的區域。

在聖羅莎火災的案例中，地面真實資料來自加州林業和消防部門的消防資源和評估專案(FRAP)網站。

今年夏天，在今年7月於鹽湖城舉行的2018年計算機視覺與模式識別大會(Conference on Computer Vision and Pattern Recognition)上，CrowdAI和Facebook與優步(Uber)等公司一道，參加了“深度全球挑戰”(Deepglobe challenge)，通過衛星影象分析世界。

人工智慧在應對自然災害中扮演著越來越重要的角色。

像One Concern這樣的初創公司正與前聯邦應急管理局(FEMA)局長克雷格•富蓋特(Craig Fugate)合作，開發探測地震影響的系統，並幫助應急人員將應急資源優先分配給最需要幫助的人。

今年早些時候，來自谷歌AI和哈佛大學的研究人員跟蹤了近200次大地震和20萬次餘震，建立了一個預測地震餘震的人工智慧系統。

谷歌還利用人工智慧模擬印度的洪水，並向附近的智慧手機使用者傳送SOS警報。

目前這些技術已經在實際的災害預測中發揮了很大的作用。

                                                            關注wx：AI技術與生活，足不出戶瞭解新資訊