救灾有新帮手！脸书靠AI分析卫星影像快速找出需优先救援的重灾区

脸书和CrowdAI的研究人员合作，以卷积神经网络（CNN）识别卫星图片，找出受灾严重的区域。比起人工方法，人工智能能花较少的时间产生精确度更高的资讯，未来将有助于搜救人员快速确定需要援助的地方，不再仰赖手动标记的特定灾难资料集。

在自然灾害发生时，即时绘测受影响的地区非常重要，可以让救援人员在极短的时间，掌握受影响最大的区域，即时地提供物资和援助。过去已有不少类似的研究，在电脑视觉的领域，卫星图像的语意分割（Semantic Segmentation）被广泛的应用在理解人造物件上，像是道路、建筑物以及土地利用等。不过现存的这些分析应用，都仅局限于单一时间获取的图像资料，研究人员表示，想要应用在灾难影响上，必须要扩充使用时间序列资料，以侦测变化的区域。

另外一个需要克服的问题，便是用于侦测影像变化的方法，虽然侦测时间序列资料变化最简单的方法，是直接比较卫星图片的原始RGB值，但是研究人员提到，随着季节、光照或是噪声的不同，即使没有受灾害影响的区域，跨时间序列的地表照片像素质也可能完全不同。过去的研究使用CNN，借由过去受损与未受损的两类建筑物来侦测新受损建物，需要耗时的手动标记图片中像是被烧毁的建筑物等资料，以训练人工智能，研究人员认为，这种方法仰赖为受损区域建立相对较大的资料集，成本高昂且不可扩展。

脸书与和CrowdAI的研究人员提出的新方法，仅使用一般道路以及建筑物资料集，而这些资料集都是现成，可以扩展应用到其他相似的自然灾害。为了避免季节变化或是阳光照射等因素，影响卫星图片品质造成错误的结果，研究人员首先训练机器学习模型，侦测道路与建筑等高级特征，接着让模型对灾害区域产生预测遮罩，透过计算灾难发生前后捕捉的资料快照，提取出的特征之间的相对差异，就能确定出该区域经过灾难后的变化。

研究人员还提出了用来量化灾难程度的新指标灾害影响指数（Disaster Impact Index，DII），透过CNN所产生灾难前与灾难后的语意分割结果，可以计算出特征的最大改变，帮助不同类型的特征和灾难进行标准化。脸书提到，他们使用来自加州Harvey飓风以及Tubbs火灾的资料集，以模型计算的灾害影响指数与实际影响区域比较，发现之间有强烈的相关性。该指数可以帮救援人员，找出需要优先援助的区域，以协调救灾资源调度。

这个研究脸书与CrowdAI的研究人员提出了新方法，可以使用不同时间捕捉的卫星图像，并使用基于CNN的语意分割模型，侦测各种人造特征的变化，并将其用于检测受自然灾害影响的区域。脸书提到，虽然目前这个方法只针对道路和建筑物，但还可以扩展至其他自然或是人造特征，量化其受灾害影响的程度。