Évaluation des dommages utilisant l'apprentissage profond dans ArcGIS

VinayViswambharan1

<\/HEAD>

À la suite d'une catastrophe naturelle, les efforts de réponse et de récupération peuvent être considérablement ralentis par la collecte manuelle des données. Traditionnellement, les experts en assurance et les fonctionnaires gouvernementaux doivent s'appuyer sur l'interprétation humaine des images et les visites sur site pour évaluer les dommages et les pertes. Mais selon l'ampleur d'une catastrophe, ce processus nécessaire pourrait retarder l'aide aux victimes.<\/SPAN><\/P>Résumé de l'article :<\/STRONG> Lors de la session plénière de la conférence utilisateur Esri de cette année, la United Services Automobile Association (USAA) a démontré l'utilisation de l'apprentissage profond (deep learning)<\/A> dans ArcGIS pour effectuer une évaluation automatisée des dommages aux maisons après le dévastateur incendie Woolsey<\/A>. Ce travail était un prototype collaboratif entre Esri et USAA pour montrer ce qui est possible dans ce type d'évaluation des dommages en utilisant la plateforme ArcGIS.<\/SPAN><\/P><\/DIV>

L'incendie Woolsey a brûlé pendant 15 jours, détruisant près de 97 000 acres et endommageant ou détruisant des milliers de structures. L'apprentissage profond dans ArcGIS a été utilisé pour identifier rapidement les structures endommagées à l'intérieur du périmètre de l'incendie, accélérant ainsi le temps nécessaire aux résidents et entreprises impactés pour que leur expert en sinistres traite les réclamations d'assurance.<\/SPAN><\/P>Le processus comprenait la capture d'échantillons d'entraînement, la formation du modèle d'apprentissage profond, l'exécution des outils d'inférence et la détection des maisons endommagées – tout cela réalisé au sein de la plateforme ArcGIS. Dans ce blog, nous allons parcourir chaque étape du processus.<\/SPAN><\/P><\/DIV>

Étape 1 : Gestion des images<\/STRONG><\/SPAN><\/H1>Avant que les incendies ne soient éteints, DataWing a fait voler des drones dans le périmètre de l'incendie et a capturé des images haute résolution des zones impactées. Les images totalisaient 40 Go et ont été gérées à l'aide d'un jeu de données mosaïque. Le jeu de données mosaïque est le modèle principal de gestion d'images dans ArcGIS pour gérer de grands volumes d'images.<\/SPAN><\/P>Étape 2 : Étiquetage et préparation des échantillons d'entraînement<\/STRONG><\/SPAN><\/H1>Avant d'entraîner un modèle d'apprentissage profond, il faut créer des échantillons d'entraînement représentant les zones d'intérêt – dans ce cas, USAA s'intéressait aux bâtiments endommagés et non endommagés. Les empreintes des bâtiments (building footprint data)<\/A> fournies par le comté de LA ont été superposées sur les images haute résolution capturées par drone dans ArcGIS Pro, et plusieurs centaines de maisons ont été manuellement étiquetées comme Endommagées ou Non Endommagées (un nouveau champ appelé « ClassValue » dans la classe d'entités des empreintes des bâtiments a été attribué avec cette information). Ces entités d'entraînement ont été utilisées pour exporter des échantillons d'entraînement<\/EM> à l'aide de l'outil Export Training Data for Deep Learning<\/A> dans ArcGIS Pro, avec le format de sortie des métadonnées défini sur « Labeled Tiles ». <\/SPAN><\/P>

                             <\/DIV>               Images résultantes (Labeled Tiles utilisées pour entraîner le modèle de classification des dommages)<\/STRONG><\/SPAN>

Étape 3 : Entraînement du modèle d'apprentissage profond<\/STRONG><\/SPAN><\/H1>ArcGIS Notebooks<\/A> a été utilisé pour l'entraînement. ArcGIS Notebooks est préconfiguré avec les bibliothèques nécessaires à l'apprentissage profond, donc aucune configuration supplémentaire n'était requise. En quelques lignes de code, les échantillons d'entraînement exportés depuis ArcGIS Pro ont été augmentés. En utilisant le module arcgis.learn dans l'API Python ArcGIS, les paramètres optimaux pour le modèle d'évaluation des dommages ont été définis, et le modèle d'apprentissage profond a été entraîné en utilisant une architecture ResNet34 pour classifier tous les bâtiments dans les images comme endommagés ou non endommagés.<\/SPAN><\/P>

               <\/DIV>                                       Le modèle a convergé autour de 99 % de précision<\/STRONG>             <\/SPAN>Une fois terminé, les étiquettes réelles ont été comparées aux résultats de classification du modèle pour obtenir une idée qualitative rapide sur la performance du modèle.<\/SPAN><\/P>&nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; <\ /DIV >&nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; &nbs p ; Prédictions du modèle <\ /STRONG ><\ /SPAN >Pour plus de détails sur le processus d'entraînement voir 

notre article<\ /A >& nbsp;s ur Medium<\ /STRONG ><\ /SPAN ><\ /P >

Enfin, avec la fonction model.save(), le modèle peut être sauvegardé et utilisé pour l'inférence.<\ /SPAN ><\ /P >Étape 4 : Exécution des outils d'inférence<\ /STRONG ><\ /SPAN ><\ /P >L'inférence a été réalisée en utilisant l'API ArcGIS pour Python. En exécutant l'inférence à l'intérieur d'ArcGIS Enterprise via la fonction model.classify_features dans Notebooks, nous pouvons passer à grande échelle.<\ /SPAN ><\ /P >Le résultat est un service d'entités qui peut être visualisé dans ArcGIS Pro. (Voici un lien vers la 

carte web<\ /A >).<\ /SPAN ><\ /P >

Plus de neuf mille bâtiments ont été automatiquement classifiés grâce aux capacités deep learning au sein d'ArcGIS !<\ /SPAN ><\ /P >La carte ci-dessous montre les bâtiments endommagés marqués en rouge, et les bâtiments non endommagés en vert. Avec une précision de 99 %, le modèle approche la performance d'un expert en sinistres formé – ce qui nous prenait auparavant des jours ou semaines peut maintenant être fait en quelques heures.<\ /SPAN ><\ /P >& nbsp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp; alt="Résultats d'inférence" class="" src="https://www.esri.com/arcgis-blog/wp-content/uploads/2019/08/showingaccuracyinpro.gif" title="Résultats d'inférence" /><\/DIV>                                               Résultats d'inférence

Étape 5 : Dériver des insights précieux<\/STRONG><\/SPAN><\/H1>Business Analyst :<\/STRONG><\/SPAN> Maintenant que nous avions une meilleure compréhension de la zone impactée, nous voulions comprendre qui étaient les membres affectés par les incendies. Lors du déploiement d'unités mobiles de réponse dans les zones sinistrées, il est important de savoir où se trouvent les populations les plus à risque, par exemple, les personnes âgées ou les enfants. En utilisant Infographics de ArcGIS Business Analyst, nous avons extrait des caractéristiques et informations précieuses sur la communauté impactée et généré un rapport pour aider les unités mobiles à prendre des décisions plus rapidement.<\/SPAN><\/P><\/DIV>                                     Obtenez l'intelligence de localisation avec ArcGIS Business Analyst<\/STRONG><\/SPAN>Operations Dashboard : <\/STRONG><\/SPAN>En utilisant le tableau de bord des opérations contenant des couches d'entités enrichies, nous avons créé un accès dynamique facile au statut de toute structure, à la valeur des structures endommagées, à la population affectée et bien plus encore.<\/SPAN><\/P>           <\/DIV>Résumé :<\/STRONG><\/SPAN><\/H1>En utilisant l'apprentissage profond, l'imagerie et les capacités d'enrichissement des données dans la plateforme ArcGIS, nous pouvons rapidement distinguer les bâtiments endommagés des bâtiments intacts, identifier les populations les plus à risque, et les organisations peuvent utiliser ces informations pour des activités de réponse rapide et de récupération.<\/SPAN><\/P>& nbsp;<\/SPAN>Plus de ressources :<\/STRONG><\/SPAN><\/P>Apprentissage profond dans ArcGIS Pro<\/A><\/SPAN><\/P>

Traitement distribué avec Raster Analytics<\/A><\/SPAN><\/P>

Flux de travail d'analyse d'image<\/A><\/SPAN><\/P>

Détails sur l'entraînement du modèle pour l'évaluation des dommages <\/A><\/P>

ArcGIS Notebooks<\/A><\/SPAN><\/P>

À PROPOS DES AUTEURS<\/SPAN><\/H2>Vinay Viswambharan<\/A><\/H3>

Chef de produit dans l'équipe Imagery chez Esri, passionné par la télédétection et tout ce qui concerne l'imagerie.<\/P><\/DIV>

Rohit Singh<\/A ><\/H3 >

Responsable du développement - ArcGIS API for Python. Appliquer l'apprentissage profond à la Science of Where @Esri. https://twitter.com/geonumist<\/P >

<\/DIV ><\/DIV ><\/DIV ><\/DIV ><\/DIV ><\/BODY ><\/HTML >