地震、飓风和洪水等自然灾害影响大面积和数百万人，这是一个巨大的后勤挑战。包括政府、非政府组织和联合国组织在内的危机应对机构需要在灾后进行快速、全面和准确的评估，以规划如何最好地分配有限的资源。为此，能够提供足够信息的工具变得越来越重要，例如分辨率高达0.3米的甚高分辨率(VHR)卫星图像，已成为应对危机的重要工具，可以呈现具有地形、基础设施和人口变化等危险的危机应对机构。然而，从原始卫星图像中提取相关的具体信息（例如，倒塌的建筑物、破裂的桥梁和临时避难所的位置）仍然需要大量的人工工作。例如，在2010年海地地震中，分析人员仅在太子港地区就对90,000多座建筑物进行了人工检查，并以五分制对每栋建筑物进行了损坏评级。这种类型的手动分析通常需要专家团队花费数周的时间。事实上，灾难发生后48-72小时内迫切需要这些数据，以便为最紧迫的决策提供信息。为了帮助减轻此类自然灾害的影响，我们提出了“使用卷积神经网络在卫星图像中进行建筑物损坏检测”，其中详细介绍了一种自动处理卫星数据以生成建筑物损坏评估的机器学习(ML)方法，该方法是与联合国世界粮食计划署??(WFP)创新加速器。相信这项工作将有望显着减少危机应对人员进行灾害评估报告所需的时间和精力，从而缩短向受灾最严重地区及时提供救灾援助所需的周转时间，同时提高整体覆盖面这样的关键服务。使用卷积神经网络检测卫星图像中建筑物损坏的方法https://arxiv.org/abs/1910.06444方法自动损坏评估过程分为两个步骤：建筑物检测和损失分类。在第一步中，我们使用对象检测模型在图像中的每个建筑物周围绘制一个边界框。然后，截取以每个检测到的建筑物为中心的灾前和灾后图像，并使用分类模型来确定建筑物是否受损。分类模型由一个卷积神经网络组成，其中以给定建筑物为中心的两张RGB图像作为输入，大小为161像素x161像素，对应于50米x50米的足迹。该模型比较灾难事件前后的图像，分析两幅图像之间的差异，并输出0.0-1.0范围内的值，其中0.0表示建筑物未受损，1.0表示建筑物受损。由于前后图像是在不同日期、一天中的不同时间拍摄的，在某些情况下由不同的卫星拍摄，因此可能会出现许多不同的问题。例如，图像在亮度、对比度、色彩饱和度和照明条件方面可能变化很大，有时图像中的像素可能未对齐。为了校正颜色和亮度差异，我们使用直方图均衡化对图像的颜色进行归一化。我们还通过使用标准数据增强技术（例如在训练期间随机扰动图像的对比度和饱和度）使模型对细微的颜色差异更加稳健。训练数据这项工作的主要挑战之一是收集训练数据集。可使用的数据存在固有的局限性：高分辨率卫星图像仅用于少数灾害，而用于灾害评估的就更少了。我们使用来自从事该领域工作的人道主义组织（例如UNOSAT和REACH）的手动生成和公开可用的损害评估数据作为标签。我们使用相应的原始卫星图像，然后使用GoogleEarthEngine将危险评估标签与卫星图像在空间上结合起来，生成最终的训练示例。用于训练模型的所有图像均来自商业来源。GoogleEarthEnginehttps://developers.google.com/earth-engineTile示例：显示不同灾害中受损和未受损建筑物的前后结果我们评估了近年来的三大地震：2010海地地震2017（7.0级），墨西哥2017年的城市地震（7.1级）和2018年印度尼西亚的一系列地震（5.9-7.5级）。对于每个事件，我们在受地震影响地区的一部分建筑物上训练模型，并在另一个地区的一部分建筑物上对其进行测试。我们使用UNOSAT和REACH的人类专家损害评估作为评估的基础。我们使用实际准确度（与专家评估相比）和ROC曲线下面积(AUROC)来衡量模型的质量，该曲线捕获模型的真阳性和假阳性检测率之间的权衡当负样本数量不平衡。AUROC值为0.5表示模型的预测是随机的，而值为1.0表示模型非常准确。根据危机响应人员的反馈，在灾难发生后72小时内做出初步决策需要70%的准确率。事件精度ROC曲线下面积2010海地地震77%0.832017墨西哥城地震71%0.792018印度尼西亚地震78%0.862010海地地震模型基于人类专家评估数据评估模型预测（越高越好）预测示例：A预测值越接近1.0意味着模型越相信建筑物已损坏。接近0.0的值表示建筑物没有损坏。通常使用0.5的阈值来区分损坏/未损坏的预测，但可以调整它以控制预测的敏感程度。这对于测试来说效果很好，但我们的最终目标是让模型准确评估世界各地灾害对建筑物造成的破坏，而不仅仅是与模型训练所依据的数据相似的灾害。这项工作具有挑战性，因为历史灾难中可用的训练数据类型存在固有局限性：仅限于仅在少数几个地理位置发生的事件。因此，将我们的模型推广到新地点未来可能发生的危险仍然是一个挑战，这也是我们目前的重点。我们设想了一个可以由专家分析人员进行交互式训练、验证和部署的系统，以便经验丰富的灾难响应机构始终可以验证重要的援助分配决策。我们希望这项技术能让社区在最需要的时候得到他们需要的帮助。
