Natürliche Katastrophen wie Erdbeben, Überschwemmungen, Hurrikane und Waldbrände verursachen extensive Schäden an Infrastruktur und Menschleben, was eine schnelle und genaue Schadensbewertung zu einer kritischen Anforderung für eine effektive Katastrophenreaktion macht. Traditionelle bodengestützte Bewertungsverfahren sind zeitaufwändig, risikoreich und hinsichtlich der räumlichen Abdeckung begrenzt, was die Entscheidungsprozesse in Notfällen verzögert. Um diese Einschränkungen anzugehen, präsentiert dieses Papier DisasterVision AI, ein automatisiertes System zur Analyse von Satellitenbildern, das Deep Learning für die umfassende Schadensbewertung an Gebäuden nutzt. Das vorgeschlagene System verwendet einen modifizierten Single Shot MultiBox Detector (SSD) mit einem VGG-16-Rückgrat, der verbessert wurde, um Eingaben mit sechs Kanälen zu verarbeiten, indem er Satellitenbilder vor und nach der Katastrophe kombiniert. Diese Dual-Input-Architektur ermöglicht es dem Modell, visuelle Unterschiede zwischen zeitlichen Bildpaaren zu lernen, was die Genauigkeit der Schadensdetektion erhöht. Das Modell wird mit dem xView2-Datensatz trainiert, der annotierte Satellitenbilder mit vier Schadenskategorien bereitstellt: kein Schaden, geringer Schaden, erheblicher Schaden und zerstört. Das System integriert fortschrittliche Trainingsmethoden, einschließlich Datenaugmentation mit Albumentations, OneCycle-Lernratenplanung und AdamW-Optimierung für eine effiziente Konvergenz. Die Leistungsbewertung erfolgt mithilfe von Mean Average Precision (mAP)-Metriken über mehrere IoU-Schwellenwerte hinweg. Darüber hinaus wird Non-Maximum Suppression (NMS) angewendet, um die Detektionsergebnisse zu verfeinern. Experimentelle Ergebnisse zeigen, dass DisasterVision AI eine schnelle, skalierbare und zuverlässige Schadensbewertung bietet und somit ein wertvolles Werkzeug für Katastrophenmanagementbehörden und Notfallteams darstellt.
Sankar et al. (Do, ) haben diese Frage untersucht.