全球各地的人们都经历了令人伤脑筋的焦虑，他们需要等待数周或数月才能知道他们的家园是否被越来越强烈的野火烧毁。现在，一旦烟雾消散以进行航空摄影，研究人员就找到了一种方法，可以在几分钟内识别建筑物的损坏情况。

通过他们称为 DamageMap 的系统，斯坦福大学和加州理工州立大学 (Cal Poly) 的一个团队引入了一种人工智能方法来进行建筑评估：他们没有比较前后照片，而是使用机器训练了一个程序学习完全依赖火灾后的图像。研究结果发表在《国际减少灾害风险杂志》上。

主要研究作者、土木与环境工程研究生马里奥·加拉尼斯 (Marios Galanis) 说：“我们希望使流程自动化，让急救人员甚至可能想知道野火后房子发生了什么的公民都能更快地完成流程。”斯坦福大学工程学院系。“我们的模型结果与人类的准确性相当。”

当前评估损坏的方法涉及人们挨家挨户检查每座建筑物。虽然DamageMap 并不打算取代面对面的损坏分类，但它可以通过提供即时结果并提供所识别建筑物的确切位置来用作可扩展的补充工具。研究人员使用各种卫星、航空和无人机摄影对其进行了测试，准确率至少为 92%。

“有了这个应用程序，你可能可以在几个小时内扫描整个天堂镇，”资深作者、加州理工学院助理教授 G.安德鲁弗里克说，他指的是被 2018 年营火摧毁的北加州小镇。“我希望这可以为消防员和紧急救援人员的决策过程带来更多信息，并通过获取信息来帮助火灾受害者提交保险索赔并使他们的生活重回正轨。”

不同的方法

大多数计算系统无法有效地对建筑物损坏进行分类，因为 AI 将灾后照片与必须使用相同卫星、摄像机角度和照明条件的灾前图像进行比较，而这些图像的获取成本很高或无法获得。研究人员表示，当前的硬件还不够先进，无法每天记录高分辨率监控，因此系统不能依赖一致的照片。

不是寻找前后图像之间的差异，DamageMap 首先使用任何类型的火灾前照片来绘制该区域并精确定位建筑物位置。然后，该程序会分析火灾后的图像，通过变黑的表面、破碎的屋顶或没有结构等特征来识别损坏情况。

“人们可以判断建筑物是否受损——我们不需要之前的图片——所以我们用机器学习测试了这个假设，”共同作者、斯坦福地球学院地球系统科学研究生克里希纳·拉奥说，能源与环境科学(斯坦福地球)。“这可以成为快速评估损害和规划灾难恢复工作的强大工具。”