<\/HEAD>
Po přírodní katastrofě mohou být reakční a obnovovací snahy výrazně zpomaleny manuálním sběrem dat. Tradičně se pojišťovací znalci a vládní úředníci musí spoléhat na lidskou interpretaci snímků a návštěvy míst, aby posoudili škody a ztráty. Ale v závislosti na rozsahu katastrofy může tento nezbytný proces zpozdit pomoc obětem katastrofy.<\/SPAN><\/P>Rychlý přehled článku:<\/STRONG> Na letošní plenární schůzi Esri User Conference United Services Automobile Association (USAA) předvedla použití deep learningu<\/A> v ArcGIS pro automatizované hodnocení škod na domech po ničivém požáru Woolsey<\/A>. Tato práce byla společným prototypem mezi Esri a USAA, který ukázal možnosti provádění tohoto typu hodnocení škod pomocí platformy ArcGIS.<\/SPAN><\/P><\/DIV>Požár Woolsey hořel 15 dní, spálil téměř 97 000 akrů a poškodil nebo zničil tisíce staveb. Deep learning v rámci ArcGIS byl použit k rychlé identifikaci poškozených staveb uvnitř požárem zasaženého území, což urychlilo čas, kdy mohli postižené osoby a podniky mít svého adjustera k vyřízení pojistných nároků.<\/SPAN><\/P>Proces zahrnoval zachycení tréninkových vzorků, trénink deep learning modelu, spuštění inferenčních nástrojů a detekci poškozených domů – vše provedeno v rámci platformy ArcGIS. V tomto blogu projdeme každý krok procesu.<\/SPAN><\/P>
<\/DIV>
Business Analyst: Nyní, když jsme měli lepší přehled o postižené oblasti, chtěli jsme pochopit, kdo byli členové postižené požáry. Při nasazování mobilních zásahových jednotek do oblastí postižených katastrofami je důležité vědět, kde se nacházejí nejvíce ohrožené populace, například senioři nebo děti. Pomocí Infographics z ArcGIS Business Analyst jsme získali cenné charakteristiky a informace o postižené komunitě a vytvořili zprávu, která pomáhá mobilním jednotkám rychleji rozhodovat.
Získejte lokalizační inteligenci s ArcGIS Business AnalystOperations Dashboard: Použitím operations dashboard obsahujícího obohacené feature layers jsme vytvořili snadný dynamický přístup ke stavu jakékoli struktury, hodnotě poškozených struktur, postižené populaci a mnohem více.
Souhrn:
Pomocí deep learningu, snímků a schopností obohacení dat na platformě ArcGIS můžeme rychle rozlišit poškozené od nepoškozených budov, identifikovat nejvíce ohrožené populace a organizace mohou tyto informace využít pro rychlé zásahy a obnovovací aktivity.
Další zdroje:
Deep Learning v ArcGIS Pro
Distribuované zpracování pomocí Raster Analytics
Pracovní postupy analýzy snímků
Podrobnosti o tréninku modelu pro hodnocení škod
ArcGIS Notebooks
O AUTOŘÍCH
Produktový manažer v týmu Imagery ve společnosti Esri, nadšenec do dálkového průzkumu a všeho, co souvisí se snímky.
