A raíz de desastres como inundaciones, incendios y terremotos, la necesidad de modelos que puedan detectar o clasificar la infraestructura dañada, así como identificar amenazas como incendios forestales e inundaciones, se ha vuelto cada vez más crítica. Esri ha ampliado su biblioteca de modelos para abordar esta necesidad urgente, proporcionando herramientas poderosas para la evaluación y clasificación de daños durante desastres. Estos modelos de inteligencia artificial están diseñados específicamente para ayudar a los socorristas y analistas a identificar rápidamente las áreas en riesgo, evaluar el alcance de los daños y gestionar las operaciones de emergencia.
Esri brinda acceso a una biblioteca seleccionada de más de 75 modelos de IA geoespacial (GeoAI) previamente entrenados a los que se puede acceder desde ArcGIS Living Atlas. Estos modelos son adecuados para realizar una variedad de tareas de IA para abordar diferentes necesidades comerciales, como la extracción de huellas de edificios para planificación urbana, la clasificación de estructuras para fines de seguros, la generación de mapas de cambios a partir de datos de series temporales o la creación de un mapa previo para fines impositivos.
Para apoyar a los socorristas y analistas que trabajan las 24 horas del día, ya sea para identificar amenazas inmediatas o determinar la ubicación y el alcance del daño para enviar recursos o procesar reclamos, Esri ha desarrollado una gama de modelos de IA para agilizar y mejorar los esfuerzos de respuesta ante desastres.
1. Evaluación de daños (imágenes obtenidas con drones)
Este modelo aborda la necesidad de evaluar rápidamente los daños en las zonas afectadas por desastres, ayudando a los equipos de respuesta a emergencias a analizar la gravedad de los daños a partir de imágenes aéreas y de drones. Está entrenado con el conjunto de datos LADI v2, que incluye más de 10 000 imágenes aéreas etiquetadas por voluntarios de la Patrulla Aérea Civil. El modelo identifica automáticamente entidades clave, como infraestructura dañada, carreteras y peligros como inundaciones o escombros. Al acelerar la identificación de áreas críticas, ayuda a los administradores de emergencias a priorizar los esfuerzos de respuesta. Funciona con imágenes aéreas de alta resolución recopiladas por drones o aviones pequeños.
2. Clasificación de incendios forestales y humo
Los incendios forestales son cada vez más frecuentes y destructivos, por lo que la detección y el seguimiento tempranos son cruciales para minimizar los daños. Este modelo permite la clasificación automática de los incendios forestales y el humo, detectando tanto los incendios activos como las primeras señales de humo que pueden indicar el inicio de un incendio. Utiliza imágenes de drones aéreos y sistemas de cámaras terrestres, que funcionan en una variedad de entornos y condiciones de iluminación. Esto permite a los equipos de gestión de incendios forestales monitorear continuamente las áreas forestales remotas propensas a incendios, lo que facilita intervenciones más rápidas y una asignación de recursos más eficaz.
3. Delimitación de incendios forestales
La delimitación de los incendios forestales es esencial para mapear con precisión la propagación de los incendios activos y evaluar su impacto. Este modelo aborda la necesidad de una detección precisa de los límites de los incendios mediante la segmentación de las áreas afectadas por ellos, utilizando imágenes de Sentinel-2. Ayuda a los equipos de respuesta a emergencias con la evaluación de riesgos, la planificación de la evacuación y la asignación de recursos. Además de los incendios forestales, el modelo se puede aplicar para monitorear los flujos de lava volcánica, lo que ofrece flexibilidad para gestionar diferentes tipos de peligros naturales. La alta resolución temporal del modelo mejora su utilidad en el monitoreo de desastres en tiempo real.
4. Prithvi – Segmentación de cicatrices de quemaduras
Las cicatrices de quemaduras presentan un desafío para la evaluación posterior a los incendios forestales, ya que distinguir entre áreas quemadas y no quemadas es fundamental para una recuperación eficaz y la gestión del paisaje. El modelo Prithvi, desarrollado por la NASA e IBM, aborda este problema automatizando la detección de cicatrices de quemaduras a partir de imágenes satelitales multiespectrales adquiridas por los sensores Landsat o Sentinel-2 . Está ajustado con precisión en el conjunto de datos HLS Burn Scar Scenes, lo que lo hace muy eficaz para identificar cicatrices de quemaduras a gran escala. La aplicación del aprendizaje automático del modelo le permite mapear las secuelas de los incendios forestales, con lo que los servicios de emergencia pueden evaluar los daños y planificar los esfuerzos de recuperación de manera más eficiente.
5. Prithvi – Segmentación de inundaciones
El control y la gestión de las inundaciones son fundamentales para mitigar su impacto, en particular en las medidas de respuesta a desastres. El modelo Prithvi, desarrollado por la NASA e IBM, automatiza la detección de zonas afectadas por inundaciones mediante imágenes satelitales multiespectrales de alta resolución temporal (Landsat y Sentinel-2). Este modelo, optimizado con el conjunto de datos Sen1Floods11, identifica con precisión las regiones sumergidas, lo que permite a los equipos de respuesta y a los responsables de las políticas evaluar la extensión de las inundaciones de forma más eficiente. Al aprovechar los datos de observación de la Tierra y el aprendizaje profundo, Prithvi mejora la capacidad de controlar las inundaciones en tiempo real, lo que ofrece un valioso apoyo para la planificación de la evacuación, la asignación de recursos y las medidas de recuperación posteriores a los desastres.
6. Clasificador CLIP Zero-Shot
El clasificador CLIP Zero-Shot, un modelo único en su clase, ofrece una solución flexible para clasificar imágenes sin necesidad de entrenamiento específico para la tarea. Impulsado por CLIP de OpenAI, permite a los usuarios definir categorías personalizadas, lo que lo hace ideal para la respuesta ante desastres, el monitoreo urbano y el análisis ambiental. Este modelo funciona tanto con imágenes individuales como con grandes colecciones de imágenes, y funciona bien en diferentes condiciones de iluminación y diferentes ubicaciones. No solo asigna una clase a cada imagen, sino que también proporciona una puntuación de probabilidad, lo que ayuda a los usuarios a priorizar los resultados de manera más efectiva.
Próximos pasos
¿Está listo para explorar los modelos preentrenados de Esri para evaluación y clasificación de daños? Siga estos pasos para probarlos con sus propias imágenes en ArcGIS Pro, ArcGIS Enterprise o ArcGIS Online:
- Abra su navegador web y navegue hasta ArcGIS Living Atlas of the World.
- En la parte superior de la página, busque “dlpk”, abreviatura de Deep Learning Packages.
- Explore los resultados de la búsqueda para encontrar paquetes de aprendizaje profundo relevantes para sus flujos de trabajo.
- Haga clic en cualquier paquete para ver más detalles, acceder a las instrucciones completas, las métricas del modelo y explorar guías que lo ayudarán a comenzar con el modelo.
- Explore las páginas y guías para aprender cómo integrar estos modelos en sus flujos de trabajo.
¡Disfrute explorando estos poderosos modelos de IA y no dude en compartir sus comentarios o decirnos qué modelos le gustaría ver a futuro!
Este artículo originalmente apareció en la edición global del Blog de ArcGIS el 10 de octubre de 2024.
comentarios
0