Los equipos de emergencia que respondan a las áreas dañadas por huracanes pronto pueden recibir ayuda de un modelo de aprendizaje automático que puede predecir mejor el alcance de los daños en los edificios poco después de que pase la tormenta.

El modelo utiliza sensores remotos de satélites que pueden generar huellas de edificios a partir de imágenes previas al huracán y luego compararlas con imágenes tomadas después de la tormenta.

Si bien algunos modelos anteriores solo podían decir si un edificio resultó dañado o no, este modelo de aprendizaje profundo puede clasificar con precisión cuánto daño sufrieron los edificios, información clave para los servicios de emergencia, dijo Desheng Liu, coautor del estudio y profesor de geografía en La Universidad Estatal de Ohio.

"A menudo es difícil o imposible evaluar rápidamente el impacto de un huracán u otro desastre natural desde el suelo", dijo Liu. "Nuestro objetivo es poder proporcionar información casi en tiempo real sobre daños en edificios que pueda ayudar a los equipos de emergencia a responder a los desastres".

Liu realizó el estudio con Polina Berezina, estudiante de posgrado en geografía en el estado de Ohio. Sus resultados se publicaron a principios de este año en la revista Geomatics, Natural Hazards and Risk .

Los investigadores probaron su nuevo modelo con datos del huracán Michael en 2018 y descubrieron que su evaluación general de los daños tenía una precisión del 86,3 % en una región de Florida, una mejora del 11 % con respecto a un modelo actual de última generación.

El área de estudio de investigación incluyó el condado de Bay y partes de los condados vecinos de Calhoun, Gulf, Washington, Leon y Holmes en el extremo norte de Florida. La Ciudad de Panamá es la principal área metropolitana incluida en el estudio.

La Administración Nacional Oceánica y Atmosférica estimó que el daño total a la economía de los EE. UU. causado por el huracán Michael equivale a $ 25 mil millones. De esa cantidad, $18.4 mil millones en daños ocurrieron en Florida.

Los investigadores obtuvieron imágenes satelitales comerciales para el área de estudio. Las imágenes previas al huracán eran de octubre o noviembre de 2017. Las imágenes posteriores al evento se obtuvieron en días sin nubes directamente después del impacto del huracán, principalmente el 13 de octubre de 2018. El huracán tocó tierra el 10 de octubre.

Dentro del conjunto de datos que utilizaron los investigadores, el área de estudio incluía 22 686 edificios.

Berezina y Liu utilizaron un tipo de aprendizaje automático llamado redes neuronales convolucionales (o CNN) para generar primero huellas de edificios a partir de las imágenes satelitales anteriores al huracán y luego clasificar la cantidad de daños después de la tormenta. Su modelo clasificó los edificios como sin daños, con daños menores, con daños mayores o destruidos.

En general, el nuevo modelo tiene una precisión general del 86,3 %, lo que mejora la precisión del 75,3 % del modelo de máquina de vectores de soporte (o SVM) con el que se comparó.

"El SVM tuvo problemas para distinguir entre daños menores y mayores, lo que puede ser un problema importante para los equipos que responden después de un huracán", dijo Liu. "En general, nuestros resultados para el huracán Michael son prometedores".

En situaciones de huracanes en vivo, Liu dijo que el modelo podría usarse para calificar la probabilidad de que los edificios individuales estén en una determinada clase de daño, como daños menores o daños mayores, para ayudar a dirigir la gestión de emergencias y los primeros en responder a dónde deben verificar primero. + Explora más

La investigación de sensores remotos mejora la respuesta a los huracanes