访问量： 313 次浏览
我们最近看到的飓风，例如伊恩等重大飓风， 往往会导致人们被困， 上涨的洪水可能导致一些地区被淹没。 此外，飓风造成的破坏，例如沿路散落的碎片， 也可能阻碍搜救工作。 如今，利用卫星数据和人工智能， 研究人员已经开发出一种方法， 可以查明飓风过后人们可能被困的位置， 并在监控整个城市等广阔区域的同时迅速为他们提供救援。
通过利用给定风暴前后的图像和传感器数据， 研究人员可以使用现有的公共卫星系统， 将风暴前给定区域的图像与风暴后的图像进行比较， 并通过一种称为随机连续变化检测(S-CCD)的算法以区分异常， 以帮助检测出看起来明显不同的区域。 这允许对一个区域进行递归监控， 并使卫星图像的时间动态能够在地图和干扰显示上得到更新。 发现的异常包括被转移或运输到某个地区的水或沙子，这很可能发生在一场大飓风期间。
利用卫星图像和算法进行变化检测可以发现飓风后被损坏之处， 如暴风雨过后， 屋顶被撕裂或改变了外观， 这种损害会影响图像反射率， 记录一个图像场景到另一个图像场景的变化。 此外，这种变化的强度也被记录下来， 强度的主要变化也被记录为地图上的受影响区域。
总之，如果给定区域看起来明显不同， 那么在显示地图上它将显示为存在损坏的变化区域。 飓风过后识别受损区域的准确率为 86%， 总体而言， 测试识别受损区域或外观明显不同区域的算法表明， 飓风伊恩中 86% 的受影响区域已被识别。
目前，该系统已使用来自 Landsat 8 和 Landsat 9 以及 Sentinel 2A 和 2B 的数据。 这种方法的主要缺点是需要依赖于这些卫星， 这意味着数据要到给定事件发生几天后才会发布。 然而，研究人员现在正试图与有关当局和卫星公司合作， 使用近乎实时的卫星数据来开发这种方法。 与使用无人机或其他获取的图像相比， 这种方法的优势是覆盖范围非常广， 因此使得飓风等重大灾害更容易被覆盖。 从理论上讲， 救援队可以通过前往似乎受到风暴破坏严重影响的地方来更好地确定搜索目标。
用于这项工作的算法建立在以前的土地扰动建模基础上， 使用 L 和 D 扰动的连续监测( COLD ) 算法。 此技术对于无需依赖训练数据即可找到受干扰的区域也很有效。 这种方法的遗漏误差小于 30%， 这意味着从一个场景到另一个场景很可能检测到受干扰的区域。 然而，主要区别在于 S-CCD 方法是一种更快的技术， 速度约为 COLD 的 4.4 倍， 可以更快地覆盖更大的场景。
如果时间是救援队的重要变量， S-CCD 可能会带来一些优势。 这两种技术还使用多个光谱带， 并依赖于反射率数据来了解土地覆盖变化。 这些技术还可用于对土地利用变化和与风暴无关的干扰进行一般监测； 这两种方法都表明， 它们可用于在风暴过后提醒当局注意严重受损的地区。
另一个类似的算法是 Object -based Disturbance Agent Classification Approach (ODACA) 算法， 即基于对象的干扰代理分类方法， 其精度接近99%； 然而，该算法主要用于监测与农业相关的土地利用、火灾和水文变化， 而不是飓风或风暴造成的破坏。 COLD、ODACA 和 S-CCD 算法尚未由当局在飓风响应中进行测试。 到目前为止，它们已被用作飓风或救灾以外的研究示范或区域。 理想情况下，如果要将这些算法用于快速救援， 则可以近乎实时地使用监测区域与天气相关的损害的专用卫星， 这将需要当局、卫星供应商和受过培训的救援人员之间未来的密切协调， 以使用和解释此类识别土地干扰的算法。