这些人工智能和卫星测绘技术正在加快灾害管理的进程

• 近年来，伴随破坏性洪水的极端风暴在全球大部分地区的记录越来越频繁。

• 基于卫星的灾害管理方法通常依赖于逐个街区地对最新图像进行目视评估。

• 科学家开发出一种新系统，使他们能够实现灾害测绘自动化，并在卫星数据发布后第一时间覆盖整个州的范围。

• 他们目前正致力于开发对美国本土全境的近实时监测。

人工智能如何识别损失

卫星已被用于识别高风险区域，以监测洪水、野火、山体滑坡和其他灾害，并查明这些灾害过后的损失情况。但大多数基于卫星的灾害管理方法依赖于逐个社区地对最新图像进行目视评估。

我们的技术可自动将风暴前的图像与当前卫星图像进行比较，以快速发现大范围区域的异常情况。这些异常可能是本不应出现沙子或水的地方出现了沙子或水，也可能是屋顶严重受损，与风暴前的外观不符。

飓风玛丽亚对波多黎各的住宅和企业造成了严重破坏。Image: Wikimedia/Air Force Magazine

伊恩飓风袭击佛罗里达五天后，地图显示南佛罗里达各地均出现了黄色警报多边形。我们发现，该系统能够以约84%的准确率识别局部损失区域。

飓风或龙卷风等自然灾害通常会在地表留下大面积的光谱变化区域，即地表上光线反射方式的变化，例如房屋、地面或水体。我们的算法将基于风暴前图像建立的模型中的反射率与风暴后的反射率进行比较。

卡特里娜飓风导致新奥尔良洪水泛滥Image: Pixabay/cgcolman

该系统可识别自然区域物理特性的变化，例如湿度或亮度的变化，以及变化的整体强度。亮度增加通常与飓风破坏导致的裸露沙地或裸露土地有关。

借助机器学习模型，我们可以利用这些图像预测扰动概率，该概率用于衡量自然灾害对地表的影响。这一方法使我们能够实现灾害测绘自动化，并在卫星数据发布后第一时间覆盖整个州的范围。

该系统使用来自四颗卫星的数据，Landsat 8和Landsat 9，两者均由美国国家航空航天局（NASA）和美国地质调查局运营，以及Sentinel 2A和Sentinel 2B，二者均作为欧盟委员会哥白尼计划的一部分发射。

全国范围的实时监测

近年来，伴随破坏性洪水的极端风暴在全球大部分地区的记录越来越频繁。

灾害应对团队虽可借助飞机巡查和无人机查明小范围内的损失，但在飓风和其他热带气旋等大范围灾害中，要看清全局则困难得多，而时间至关重要。我们的系统采用一种快速方法，利用政府免费提供的图像来全面掌握情况。目前的一个不足之处在于这些图像的获取时间，它们往往要在灾害发生数天后才会公开发布。

我们目前正致力于开发对美国本土全境的近实时监测，以便在下一次自然灾害发生时迅速提供最新的土地信息。