野火疏散者和救災小組很快就能使用最新開發的人工智能工具DamageMap，在幾分鐘內遠程掃描一個城鎮的結構損壞情況。

斯坦福大學（ Stanford University ）和加州理工州立大學（ California Polytechnic State University ）圣路易斯奧比斯波分校（ San Luis Obispo ）的研究人員合作，該項目使用航空圖像和深度學習算法，精確定位野火事件后的建筑物損壞。這項研究可以引導救災人員前往最需要的地區，同時讓關心的房主了解情況。

加州保利大學助理教授、 DamageMap 的共同開發者 G 。 Andrew Fricker 說：“火災或災難發生后，很多人需要或想要知道損失的程度和嚴重程度。我們開始幫助縮短響應時間，以獲取對火災受害者、應急和恢復人員有價值的可操作信息。”。

隨著氣候變化的影響導致氣候變暖和干旱，野火災害正在更頻繁、更嚴重地襲擊社區。2020年，美國西部的野火摧毀了13000多棟建筑，損失近200億美元。在這個季節還有幾個月的時間里，加利福尼亞州已經發生了7000多起火災，約3000座建筑物受損。

當火勢平息時，損失評估小組進行檢查并評估燒傷區域的安全性。應急行動中心使用這些報告為居民組織救災和恢復資源。了解一個地區的位置和破壞程度有助于應急小組分配資源，特別是在同時應對多起火災時。

雖然檢查是重新定居的必要步驟，但也是耗時和資源密集型的。

最近的機器學習模型試圖利用衛星圖像減輕這一負擔。但是，大多數方法都需要類似成分（如照明和角度）的高質量野火前后圖像來檢測變化并精確定位受損區域。它們還需要最新的圖像以確保準確性，這可能需要昂貴的維護成本，并且難以縮放。

利用 DamageMap ，研究人員訓練了一種新的深度學習算法，該算法能夠通過使用兩個模型來檢測損壞，這兩個模型一起工作，并對建筑物的狀況進行探測。第一種模式依靠某一地區的任何戰前無人駕駛飛機或衛星圖像來探測建筑物并繪制足跡。第二個模型使用火災后的航空圖像來確定結構損壞，例如燒焦的屋頂或被摧毀的建筑物。

研究人員使用了一個包含 47543 張來自全球五場不同野火的結構圖像的數據庫來訓練神經網絡。手動將這些圖像的子集標記為已損壞和未損壞，該算法學會識別和分類結構。

他們使用來自加利福尼亞州最近兩次野火的圖像對模型進行了測試，這兩次野火分別是巴特縣野火，沙斯塔縣野火和三一縣卡爾野火。將模型預測與記錄受損建筑物位置的地面勘測員數據進行比較 DamageMap 大約 96% 的時間準確檢測到受損結構。

這項技術不僅精確，而且速度快。使用 NVIDIA GPU 和cuDNN – 加速 PyTorch 深度學習框架， DamageMap 以每幅圖像約 60 毫秒的速度處理圖像。

由 Damageap 團隊提供

對天堂鎮（ town of Paradise ）的 15931 棟建筑進行分類需要 16 分鐘。天堂鎮在 2018 年的營火中幾乎被完全摧毀。

這項工作是可獲得的用于測試和探索，代碼和支持分析在github上進行。研究人員鼓勵其他人進一步使用、開發和改進該模型。

根據弗里克的說法，該工具可以接受培訓，將目光投向受損的建筑物之外，包括燒毀的汽車或倒塌的電線等元素，以進一步通知響應和恢復工作。

關于作者

Michelle Horton 是 NVIDIA 的高級開發人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發者博客撰文，重點介紹了開發者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷