DisasterVision AI: Un marco de aprendizaje profundo basado en satélites para la evaluación automática de daños por desastres

Los desastres naturales como terremotos, inundaciones, huracanes y incendios forestales causan daños extensos a la infraestructura y a la vida humana, haciendo que la evaluación rápida y precisa de daños sea un requisito crítico para una respuesta efectiva ante desastres. Las técnicas tradicionales de evaluación en el terreno son lentas, arriesgadas y limitadas en cobertura espacial, lo que retrasa los procesos de toma de decisiones de emergencia. Para abordar estas limitaciones, este artículo presenta DisasterVision AI, un sistema automatizado de análisis de imágenes satelitales que aprovecha el aprendizaje profundo para la evaluación de daños a gran escala en edificios. El sistema propuesto utiliza un Detector de Múltiples Cajas de Tiro Único (SSD) modificado con una arquitectura VGG-16, mejorado para procesar entradas de seis canales al combinar imágenes satelitales pre y post desastre. Esta arquitectura de entrada dual permite al modelo aprender diferencias visuales entre pares de imágenes temporales, mejorando la precisión de la detección de daños. El modelo se entrena utilizando el conjunto de datos xView2, que proporciona imágenes satelitales anotadas con cuatro categorías de daño: sin daño, daño menor, daño mayor y destruido. El sistema incorpora técnicas avanzadas de entrenamiento, incluyendo expansión de datos usando Albumentations, programación de tasa de aprendizaje OneCycle y optimización AdamW para una convergencia eficiente. La evaluación del rendimiento se lleva a cabo utilizando métricas de Precisión Media Promedio (mAP) a través de múltiples umbrales de IoU. Adicionalmente, se aplica Supresión de No Máximos (NMS) para refinar las salidas de detección. Los resultados experimentales demuestran que DisasterVision AI proporciona una evaluación de daños rápida, escalable y confiable, convirtiéndolo en una herramienta valiosa para las autoridades de gestión de desastres y los equipos de respuesta a emergencias.