Valutazione del danno mediante il deep learning in ArcGIS

A seguito di un disastro naturale, tradizionalmente, i periti assicurativi e i funzionari governativi devono fare affidamento sull’interpretazione umana delle immagini e sulle visite in loco per valutare danni e perdite. Ma, a seconda della portata di un disastro, questo processo necessario potrebbe ritardare il soccorso alle vittime.

Alla sessione plenaria dell’Esri User Conference di quest’anno, la United Services Automobile Association (USAA) ha dimostrato l’uso del deep learning in ArcGIS per eseguire la valutazione automatica dei danni delle case dopo il devastante incendio di Woolsey.

L’incendio di Woolsey per 15 giorni bruciò quasi 97.000 acri e danneggiò o distrusse migliaia di strutture. Il deep learning all’interno di ArcGIS è stato utilizzato per identificare rapidamente le strutture danneggiate all’interno del perimetro dell’incendio.

Il processo svolto all’interno della piattaforma GIS ha incluso i seguenti step:

Step1: gestione delle immagini

Prima che gli incendi si spegnessero, DataWing ha pilotato dei droni nel perimetro del fuoco e ha catturato immagini ad alta risoluzione delle aree colpite. Le immagini hanno una dimensione di 40 GB e sono state gestite utilizzando un set di dati a mosaico. Il set di dati a mosaico è il modello di gestione dell’immagine principale per ArcGIS per gestire grandi volumi di immagini.

Passo 2. Etichettatura e preparazione di campioni di addestramento

Prima di preparare un modello di deep learning, è necessario creare campioni di addestramento per rappresentare le aree di interesse – in questo caso, l’USAA era interessata agli edifici danneggiati e non danneggiati. I dati sull’impronta dell’edificio forniti da LA County, sono stati sovrapposti alle immagini dei droni ad alta risoluzione in ArcGIS Pro e diverse centinaia di case sono state etichettate manualmente come danneggiate o non danneggiate (un nuovo campo chiamato “ClassValue” nella classe di caratteristiche dell’impronta dell’edificio è stato attribuito a questa informazione). Queste funzionalità di training sono state utilizzate per esportare campioni di training utilizzando lo strumento Esporta dati di training per Deep Learning in ArcGIS Pro, con il formato di output dei metadati impostato su “Piastrelle etichettate”.

Passaggio 3: formazione del modello di deep learning

ArcGIS Notebook è stato usato a scopo di formazione. I Notebook ArcGIS sono preconfigurati con le librerie di deep learning necessarie, quindi non è stata richiesta alcuna installazione aggiuntiva. Con poche righe di codice, i campioni di addestramento esportati da ArcGIS Pro sono stati aumentati. Utilizzando il modulo arcgis.learn nell’API ArcGIS Python, sono stati impostati parametri di training ottimali per il modello di valutazione dei danni e il modello di deep learning è stato creato utilizzando un’architettura ResNet34 per classificare tutti gli edifici come danneggiati o non danneggiati.

Una volta completate, le etichette di verità di base sono state confrontate con i risultati della classificazione del modello per ottenere una rapida idea qualitativa sul rendimento del modello. Infine, con la funzione model.save , il modello può essere salvato e utilizzato per scopi di inferenza.

Passaggio 4: esecuzione degli strumenti di inferenza

L’inferenza è stata eseguita utilizzando l’API ArcGIS per Python. Eseguendo le inferenze all’interno di ArcGIS Enterprise utilizzando la funzione model.classify_features nei Notebook, possiamo dedurre la scalatura delle inferenze.

Il risultato è un servizio di funzionalità che può essere visualizzato in ArcGIS Pro.

Oltre 9000 edifici sono stati automaticamente classificati utilizzando le funzionalità di deep learning all’interno di ArcGIS! Con una precisione del 99%, il modello si avvicina alle prestazioni di un dispositivo di regolazione addestrato: ciò per cui un tempo servivano giorni o settimane, ora è possibile fare in poche ore.

Passaggio 5: derivazione di informazioni preziose

Quando si distribuiscono unità di risposta mobili in aree disastrate, è importante sapere dove si trovano le popolazioni più a rischio, ad esempio anziani o bambini. Utilizzando Infographics di ArcGIS Business Analyst, gli analisti aziendali hanno la possibilità di estrarre caratteristiche e informazioni preziose sulla comunità interessata e generare in questo modo un rapporto utile alle unità mobili per prendere decisioni più rapidamente.

Per quanto riguarda la dashboard delle operazioni, utilizzando il pannello delle operazioni contenente livelli di funzionalità arricchiti, è possibile creare un facile accesso dinamico ad informazioni essenziali, come lo stato di qualsiasi struttura, il valore delle strutture che sono state danneggiate, la popolazione interessata dall’evento e molto altro ancora.

Utilizzando le funzionalità di deep learning, immagini e arricchimento dei dati nella piattaforma ArcGIS, siamo dunque in grado, come si è appena visto, di distinguere rapidamente gli edifici danneggiati da quelli non danneggiati, identificare le popolazioni più a rischio; inoltre, le organizzazioni possono utilizzare queste informazioni per attività recupero rapide e rispondere subito all’emergenza.