Key points are not available for this paper at this time.
Während traditionelle Ansätze zur Bewertung von Gebäudeschäden nach Naturkatastrophen stark auf zeitaufwändige und kostspielige manuelle Techniken angewiesen waren, haben jüngste Fortschritte in der geospatialen künstlichen Intelligenz (GeoAI) neue Möglichkeiten für die Automatisierung und den Ausbau dieses entscheidenden Prozesses eröffnet. Durch den Einsatz von Technologien wie Computer Vision, Fernerkundung und maschinellem Lernen, welche auf geospatialen Daten von Satelliten, Drohnen und anderen Sensoren basieren, hat GeoAI das Potenzial, die Art und Weise zu revolutionieren, wie Gemeinschaften Gebäudeschäden in katastrophenbetroffenen Gebieten bewerten und Ressourcen für die Wiederherstellung schneller und effektiver zielgerichtet einsetzen. Allerdings sehen sich Bemühungen, GeoAI zur Bewertung von Gebäudeschäden anzuwenden, auch wichtigen Herausforderungen hinsichtlich der Daten- und Modellqualität gegenüber, die weitere Forschung erfordern. Um die Chancen und Herausforderungen der Nutzung von GeoAI zur Bewertung von Gebäudeschäden angemessen zu bewerten, untersucht diese umfassende Übersicht den aktuellen Stand des Bereichs durch eine Analyse der neuesten Literatur und Fallstudien. Eine detaillierte Untersuchung innovativer Anwendungen von Technologien wie Deep Learning auf hochauflösenden Luftbildern zur automatisierten Erkennung und Klassifizierung von strukturellen Schäden wird bereitgestellt. Kritische Anforderungen werden identifiziert, um robuste GeoAI-Lösungen zu entwickeln, wie die Beschaffung umfassender Trainingsdaten, die das gesamte Spektrum möglicher Schadensmuster erfassen, und die Berücksichtigung von Umweltfaktoren. Die Übersicht analysiert auch die Bemühungen von humanitären Organisationen und Unternehmen, erste GeoAI-gestützte Bewertungssysteme für Schäden in realen Katastrophenereignissen einzusetzen, und hebt dabei gewonnene Erkenntnisse hervor.
Agbaje et al. (Fr,) haben diese Frage untersucht.