Предварительно обученные геопространственные модели Искусственного Интеллекта могут упростить реагирование на стихийные Бедствия

Esri предоставляет доступ к библиотеке, содержащей более 75 предварительно обученных геопространственных моделей искусственного интеллекта (GeoAI), которые доступны из ArcGIS Living Atlas of the World. Эти модели подходят для выполнения различных задач ИИ, которые решают различные бизнес-задачи, такие как извлечение контуров зданий для городского планирования, классификация сооружений для целей страхования или создание карт изменений на основе данных временных рядов.

В связи с такими стихийными бедствиями, как наводнения, пожары и землетрясения, потребность в моделях, которые могут обнаруживать или классифицировать поврежденную инфраструктуру, а также выявлять угрозы, такие как лесные пожары и наводнения, становится все более критической. Поэтому Esri расширила свою библиотеку моделей для удовлетворения этой насущной потребности, предоставив мощные инструменты для оценки и классификации ущерба во время стихийных бедствий. Следующие модели ИИ специально разработаны для того, чтобы помочь службам быстрого реагирования и аналитикам быстро выявлять зоны риска, оценивать масштабы ущерба и управлять чрезвычайными операциями для оптимизации и повышения эффективности реагирования на стихийные бедствия.

В этой статье представлен обзор каждой из этих моделей, а также инструкции по их опробованию с помощью собственных изображений.

1. Оценка ущерба (съемка с беспилотника)

Эта модель учитывает потребность в быстрой оценке ущерба в районах, пострадавших от стихийных бедствий, помогая группам реагирования на чрезвычайные ситуации анализировать серьезность ущерба с помощью беспилотных летательных аппаратов и аэрофотоснимков. Он обучен на основе наборе данных Low Altitude Disaster Imagery (LADI) v2, который включает в себя более 10 000 аэрофотоснимков, помеченных волонтерами Гражданского воздушного патруля. Модель автоматически определяет ключевые объекты, такие как дороги, поврежденная инфраструктура и опасности, такие как наводнения или мусор. Ускоряя выявление критических областей, модель помогает менеджерам по чрезвычайным ситуациям расставлять приоритеты в усилиях по реагированию. Он работает с аэрофотоснимками высокого разрешения, собранными беспилотниками или небольшими самолетами.

2. Классификация лесных пожаров и задымления

Поскольку из-за изменения климата лесные пожары становятся все более частыми и разрушительными, раннее обнаружение и мониторинг имеют решающее значение для минимизации ущерба. Эта модель позволяет автоматически классифицировать лесные пожары и задымление, обнаруживая как активные очаги возгорания, так и ранние признаки задымления, которые могут указывать на начало пожара. В нем используются изображения, полученные с помощью беспилотных летательных аппаратов и наземных систем видеонаблюдения, работающих в различных условиях и при различном освещении. Это позволяет бригадам по борьбе с лесными пожарами постоянно отслеживать отдаленные лесные районы, подверженные лесным пожарам, способствуя более оперативному вмешательству и более эффективному распределению ресурсов.

3. Определение границ лесных пожаров

Определение границ лесных пожаров необходимо для точного отображения распространения действующих пожаров и оценки их последствий. Эта модель удовлетворяет потребность в точном определении границ пожара путем сегментирования районов, пострадавших от лесных пожаров, с помощью изображений Sentinel-2. Это помогает службам экстренного реагирования в оценке рисков, планировании эвакуации и распределении ресурсов. Помимо определения масштабов лесных пожаров, модель может применяться для мониторинга потоков вулканической лавы, обеспечивая гибкость в управлении различными типами стихийных бедствий. Высокое временное разрешение модели повышает ее полезность при мониторинге стихийных бедствий в режиме реального времени.
Модель определения границ лесных пожаров может помочь службам экстренного реагирования в оценке рисков, планировании эвакуации и распределении ресурсов.
4. Притхви—Сегментация ожоговых рубцов

Шрамы от ожогов представляют собой сложную задачу для оценки последствий лесных пожаров, поскольку проведение различия между сгоревшими и несгоревшими участками имеет решающее значение для эффективного восстановления и управления ландшафтом. Модель Prithvi, разработанная НАСА и IBM, решает эту проблему путем автоматизации обнаружения шрамов от ожогов на основе мультиспектральных спутниковых снимков, полученных с помощью датчиков Landsat или Sentinel-2. Он точно настроен на основе согласованного набора данных Landsat (HLS) о сценах ожоговых рубцов, что делает его высокоэффективным для выявления ожоговых рубцов в больших масштабах. Применение машинного обучения в модели позволяет составлять карту последствий лесных пожаров, что позволяет сотрудникам служб экстренного реагирования более эффективно оценивать ущерб и планировать восстановительные работы.

5. Сегментация Притхви—Флуда

Мониторинг наводнений и управление ими имеют решающее значение для смягчения последствий наводнений, особенно при ликвидации последствий стихийных бедствий. Использование модели Prithvi автоматизирует обнаружение районов, пострадавших от наводнений, с помощью мультиспектральных спутниковых изображений с высоким временным разрешением (Landsat и Sentinel-2). Доработанная с помощью набора данных о наводнениях Sen 1 за 11 месяцев, эта модель точно определяет затопленные регионы, позволяя службам реагирования и директивным органам более эффективно оценивать масштабы наводнений. Используя данные наблюдения Земли и глубокое обучение, Prithvi расширяет возможности мониторинга наводнений в режиме реального времени, предлагая ценную поддержку в планировании эвакуации, распределении ресурсов и усилиях по восстановлению после стихийных бедствий.

6. Классификатор CLIP Zero-Shot

Классификатор CLIP Zero-Shot, уникальная модель в своем классе, предлагает гибкое решение для классификации изображений без необходимости обучения решению конкретных задач. Эта модель основана на программе OpenAI по предварительной обработке контрастных языковых изображений (CLIP) и позволяет пользователям определять пользовательские категории, что делает ее идеальной для реагирования на стихийные бедствия, мониторинга городов и анализа окружающей среды. Эта модель работает как с отдельными изображениями, так и с большими коллекциями изображений, хорошо справляясь с различными условиями освещения и местоположениями. Он не только присваивает класс каждому изображению, но и предоставляет оценку вероятности, помогая пользователям более эффективно расставлять приоритеты в результатах.

Следующие шаги

Чтобы изучить предварительно разработанные Esri модели оценки ущерба и классификации, выполните следующие действия, чтобы опробовать их на своих собственных изображениях в ArcGIS Pro, ArcGIS Enterprise или ArcGIS Online:

Запустите веб-браузер и перейдите к ArcGIS Living Atlas of the World.
В верхней части страницы найдите “dlpk”, сокращение от deep learning packages.
Просмотрите результаты поиска, чтобы найти пакеты глубокого обучения, соответствующие вашим рабочим процессам.

Нажмите на любой пакет, чтобы просмотреть более подробную информацию, получить доступ к подробным инструкциям, просмотреть показатели модели и ознакомиться с руководствами, которые помогут вам начать работу с моделью.

Ознакомьтесь со страницами и руководствами (links.esri.com/pretrained-models), чтобы узнать, как интегрировать эти модели в ваши рабочие процессы.

Об авторах

Vinay Viswambharan
Vinay Viswambharan is the principal product manager on the imagery team at Esri, with a zeal for remote sensing, AI, and everything imagery.

Rohit Singh
Rohit Singh is the managing director of Esri's R&D Center in New Delhi and leads the development of data science, deep learning and geospatial AI solutions in the ArcGIS platform. He is passionate about deep learning and its intersection with geospatial data and satellite imagery and has been recognized as an Industry Distinguished Lecturer for the IEEE- Geoscience and Remote Sensing Society (GRSS). Rohit is a graduate of the Indian Institute of Technology, Kharagpur, and has worked at computer vision startups and IBM before joining Esri. He conceptualized, designed and developed the ArcGIS API for Python, ArcObjects Java, ArcGIS Engine Java API and ArcGIS Enterprise (Linux) while at Esri.

Priyanka Tuteja
Priyanka Tuteja is a senior product engineer on the GeoAI team at Esri R&D Center, New Delhi.
07 марта / 2025