دانلود مقاله ارزیابی خسارت طوفان با استفاده از شبکه های عصبی پیچشی
چکیده
1. مقدمه
2. روش شناسی
3. نتایج
4. بحث
5. نتیجه گیری
منابع
Abstract
1. Introduction
2. Methodology
3. Results
4. Discussion
5. Conclusions
Data availability statement
Disclosure statement
Funding
References
چکیده
سنجش از دور پشتیبانی بسیار مهمی را برای ارزیابی خسارت ساختمان در پی طوفان ها فراهم می کند. این مقاله یک مدل مبتنی بر یادگیری عمیق همراه برای ارزیابی آسیب پیشنهاد می‌کند که از مجموعه داده‌های بزرگ تصاویر ماهواره‌ای با وضوح بسیار بالا و انعطاف‌پذیری منبع ردپای ساختمان استفاده می‌کند. شبکه‌های عصبی کانولوشن برای ایجاد ردپای ساختمان از تصاویر ماهواره‌ای پیش از طوفان و انجام طبقه‌بندی آسیب‌های وارده استفاده شد. ما بر مزایای طبقه‌بندی چند کلاسه در مقایسه با طبقه‌بندی باینری سنتی آسیب تأکید می‌کنیم و رفع عدم تعادل مجموعه داده‌ها را به دلیل توزیع نابرابر تأثیر آسیب با یک تابع تلفات کانونی پیشنهاد می‌کنیم. ما همچنین تفاوت‌های بین تکیه بر ویژگی‌های آموخته‌شده را با استفاده از رویکرد یادگیری عمیق برای طبقه‌بندی آسیب در مقابل طبقه‌بندی‌کننده یادگیری ماشین کم‌عمق که معمولاً استفاده می‌شود، ماشین‌های بردار پشتیبانی، که به مهندسی ویژگی دستی نیاز دارد، بررسی می‌کنیم. مدل پیشنهادی منجر به 86.3 درصد دقت کلی طبقه‌بندی آسیب برای یک رویداد موردی از طوفان مایکل و 11 درصد بهبود دقت کلی از طبقه‌بندی‌کننده ماشین‌های بردار پشتیبانی می‌شود، که نشان‌دهنده کاربرد بهتر چنین جریان کاری مبتنی بر یادگیری عمیق منبع باز در هنگام فاجعه است. مدیریت و بازیابی علاوه بر این، یافته‌ها را می‌توان در چارچوب‌های واکنش اضطراری برای ارزیابی خودکار آسیب و اولویت‌بندی تلاش‌های امدادی ادغام کرد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Remote sensing provides crucial support for building damage assessment in the wake of hurricanes. This article proposes a coupled deep learning-based model for damage assessment that leverages a large very high-resolution satellite images dataset and a flexibility of building footprint source. Convolutional Neural Networks were used to generate building footprints from pre-hurricane satellite imagery and conduct a classification of incurred damage. We emphasize the advantages of multiclass classification in comparison with traditional binary classification of damage and propose resolving dataset imbalances due to unequal damage impact distribution with a focal loss function. We also investigate differences between relying on learned features using a deep learning approach for damage classification versus a commonly used shallow machine learning classifier, Support Vector Machines, that requires manual feature engineering. The proposed model leads to an 86.3% overall accuracy of damage classification for a case event of Hurricane Michael and an 11% overall accuracy improvement from the Support Vector Machines classifier, suggesting better applicability of such an open-source deep learning-based workflow in disaster management and recovery. Furthermore, the findings can be integrated into emergency response frameworks for automated damage assessment and prioritization of relief efforts.
Introduction
Hurricanes have been the most expensive type of disaster in the USA (CRED 2019) and historically deathliest, continuing to drive the importance of improving techniques to assess post-hurricane urban damage. The process of such damage assessment involves detection, classification, and evaluation of disaster damage to an economy and society on local, county, state, or tribal levels (FEMA 2016). Remote sensing analysis has proved to be indispensable in aiding these assessment efforts (Adams et al. 2009; Waharte and Trigoni 2010; Stow et al. 2015). In particular, the Federal Emergency Management Agency (FEMA) relies on remote sensing analysis to rapidly assess a large-scale impact and monitor areas that cannot be effectively accessed on the ground. The timeliness, accuracy, and semantic information of such remote sensing analysis results are of key interest (Stow et al. 2015).
Conclusions
In this study, we proposed a damage assessment workflow from VHR big data imagery, xBD, consisting of two CNNs that delineate building footprints and classify hurricane-incurred damage into four categories: un-damaged, lightly damaged, severely damaged, and destroyed buildings. The coupled model allows users to utilize an existing building footprint, unlike unified models. Another key contribution of this study was addressing a class imbalance problem in the xBD dataset with a focal loss function. We examined a case study of Hurricane Michael in 2018 around the Panama City metropolitan area, where our proposed models achieved an overall accuracy of 84.6% for building footprint segmentation and 86.3% for damage classification tasks. The model successfully identified undamaged buildings with an F1-score of 95.4% and predicts three damage classes (minor, major damage, and destroyed) with 59.3%, 68.7%, and 74.2% F1-score, respectively. An output of this model presents a probability vector of each building belonging to damage classes, thus, creating an opportunity for emergency management and first responders to set a higher or lower threshold for alerting about a hurricane damage presence.