Equipes de emergência que respondem a áreas danificadas por furacões podem em breve receber ajuda de um modelo de aprendizado de máquina que pode prever melhor a extensão dos danos ao edifício logo após a passagem da tempestade.
O modelo usa sensoriamento remoto de satélites que podem gerar pegadas de edifícios a partir de imagens pré-furacão e depois compará-las com imagens tiradas após a tempestade.

Embora alguns modelos anteriores só pudessem dizer se um edifício foi danificado ou não, esse modelo de aprendizado profundo pode classificar com precisão quantos danos os edifícios sofreram – informações importantes para equipes de emergência, disse Desheng Liu, coautor do estudo e professor de geografia na A Universidade Estadual de Ohio.

"Muitas vezes é difícil ou impossível avaliar rapidamente o impacto de um furacão ou outro desastre natural a partir do solo", disse Liu. "Nosso objetivo é fornecer informações quase em tempo real sobre danos ao edifício que possam ajudar as equipes de emergência a responder a desastres".

Liu conduziu o estudo com Polina Berezina, estudante de pós-graduação em geografia na Ohio State. Seus resultados foram publicados no início deste ano na revista Geomatics, Natural Hazards and Risk .

Os pesquisadores testaram seu novo modelo com dados do furacão Michael em 2018 e descobriram que sua avaliação geral de danos foi 86,3% precisa em uma região da Flórida – uma melhoria de 11% em relação a um modelo atual de última geração.

A área de estudo da pesquisa incluiu o condado de Bay e partes dos condados vizinhos de Calhoun, Golfo, Washington, Leon e Holmes no panhandle da Flórida. A Cidade do Panamá é a principal área metropolitana incluída no estudo.

A Administração Nacional Oceânica e Atmosférica estimou o dano total à economia dos EUA do furacão Michael em US$ 25 bilhões. Desse valor, US$ 18,4 bilhões em danos ocorreram na Flórida.

Os pesquisadores obtiveram imagens comerciais de satélite para a área de estudo. As imagens pré-furacão foram de outubro ou novembro de 2017. As imagens pós-evento foram obtidas em dias sem nuvens logo após o impacto do furacão, principalmente em 13 de outubro de 2018. O furacão atingiu a terra firme em 10 de outubro.

Dentro do conjunto de dados que os pesquisadores usaram, a área de estudo incluiu 22.686 edifícios.

Berezina e Liu usaram um tipo de aprendizado de máquina chamado redes neurais convolucionais (ou CNN) para primeiro gerar pegadas de construção a partir das imagens de satélite pré-furacão e depois classificar a quantidade de danos após a tempestade. Seu modelo classificou os edifícios como não danificados, pequenos danos, grandes danos ou destruídos.

No geral, o novo modelo tem uma precisão geral de 86,3%, melhorando a precisão de 75,3% do modelo de máquina de vetor de suporte (ou SVM) com o qual foi comparado.

"O SVM lutou para distinguir entre danos menores e maiores, o que pode ser um grande problema para as equipes que respondem após um furacão", disse Liu. "No geral, nossos resultados para o furacão Michael são promissores."

Em situações de furacões ao vivo, Liu disse que o modelo pode ser usado para avaliar a probabilidade de que edifícios individuais estejam em uma determinada classe de dano – como danos menores ou grandes – para ajudar a direcionar o gerenciamento de emergências e os socorristas para onde eles devem verificar primeiro. + Explorar mais

A pesquisa de sensoriamento remoto melhora a resposta a furacões