• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Il nuovo modello di apprendimento automatico può fornire valutazioni più accurate dei danni causati dagli uragani per i soccorritori

    Credito:Pixabay/CC0 di dominio pubblico

    Le squadre di emergenza che rispondono alle aree danneggiate dagli uragani potrebbero presto ricevere assistenza da un modello di apprendimento automatico in grado di prevedere meglio l'entità dei danni agli edifici subito dopo il passaggio della tempesta.

    Il modello utilizza il telerilevamento dai satelliti in grado di generare impronte di edifici dalle immagini pre-uragano e quindi confrontarle con le immagini scattate dopo la tempesta.

    Mentre alcuni modelli precedenti potevano solo dire se un edificio è stato danneggiato o non danneggiato, questo modello di apprendimento profondo può classificare con precisione la quantità di danni subiti dagli edifici:informazioni chiave per i soccorritori, ha affermato Desheng Liu, coautore dello studio e professore di geografia presso L'Università statale dell'Ohio.

    "Spesso è difficile o impossibile valutare rapidamente l'impatto di un uragano o di un altro disastro naturale dal suolo", ha detto Liu. "Il nostro obiettivo è essere in grado di fornire informazioni quasi in tempo reale sui danni agli edifici che possono aiutare le squadre di emergenza a rispondere ai disastri".

    Liu ha condotto lo studio con Polina Berezina, una studentessa laureata in geografia all'Ohio State. I loro risultati sono stati pubblicati all'inizio di quest'anno sulla rivista Geomatics, Natural Hazards and Risk .

    I ricercatori hanno testato il loro nuovo modello sui dati dell'uragano Michael nel 2018 e hanno scoperto che la sua valutazione complessiva dei danni era accurata dell'86,3% in una regione della Florida, un miglioramento dell'11% rispetto a un modello all'avanguardia attuale.

    L'area di studio della ricerca comprendeva la contea di Bay e parti delle vicine contee di Calhoun, Gulf, Washington, Leon e Holmes nel panhandle della Florida. Panama City è la principale area metropolitana inclusa nello studio.

    La National Oceanic and Atmospheric Administration ha stimato che il danno totale all'economia statunitense causato dall'uragano Michael è pari a $ 25 miliardi. Di tale importo, 18,4 miliardi di dollari di danni si sono verificati in Florida.

    I ricercatori hanno ottenuto immagini satellitari commerciali per l'area di studio. Le immagini pre-uragano risalgono a ottobre o novembre 2017. Le immagini post-evento sono state ottenute nei giorni senza nuvole subito dopo l'impatto dell'uragano, principalmente il 13 ottobre 2018. L'uragano è atterrato il 10 ottobre.

    All'interno del set di dati utilizzato dai ricercatori, l'area di studio comprendeva 22.686 edifici.

    Berezina e Liu hanno utilizzato un tipo di apprendimento automatico chiamato reti neurali convoluzionali (o CNN) per generare prima le impronte degli edifici dalle immagini satellitari pre-uragano e quindi classificare la quantità di danni dopo la tempesta. Il loro modello classificava gli edifici come integri, con danni minori, danni maggiori o distrutti.

    Complessivamente, il nuovo modello ha una precisione complessiva dell'86,3%, migliorando la precisione del 75,3% del modello di macchina vettoriale di supporto (o SVM) con cui è stato confrontato.

    "L'SVM ha lottato per distinguere tra danni minori e gravi, che possono essere un grosso problema per le squadre che rispondono a un uragano", ha detto Liu. "Nel complesso, i nostri risultati per l'uragano Michael sono promettenti."

    In situazioni di uragani vivi, Liu ha affermato che il modello potrebbe essere utilizzato per valutare la probabilità che i singoli edifici rientrino in una determinata classe di danni, come danni minori o danni maggiori, per aiutare la gestione delle emergenze e i primi soccorritori a dove dovrebbero prima controllare. + Esplora ulteriormente

    La ricerca sul telerilevamento migliora la risposta agli uragani




    © Scienza https://it.scienceaq.com