自然災害の後、手動でのデータ収集により対応と復旧作業が大幅に遅れることがあります。従来、保険査定者や政府関係者は画像の人間による解釈や現地訪問に頼って被害と損失を評価してきました。しかし、災害の規模によっては、この必要なプロセスが被災者への救援を遅らせる可能性があります。<\/SPAN><\/P>記事の概要:<\/STRONG> 今年のEsri User Conferenceの基調講演セッションで、United Services Automobile Association (USAA) ArcGISの深層学習機能を用いた自動住宅被害評価の実演を行いました<\/A> 。これは壊滅的なWoolsey火災<\/A>後のもので、この作業はEsriとUSAAの共同プロトタイプであり、ArcGISプラットフォームを使ったこの種の被害評価の可能性を示すものです。<\/SPAN><\/P><\/DIV>Woolsey Fireは15日間燃え続け、約97,000エーカーを焼失し、数千の建物が損傷または破壊されました。ArcGIS内の深層学習を使用して火災範囲内の損傷建物を迅速に特定し、影響を受けた住民や事業者が保険請求処理を迅速化できるようにしました。<\/SPAN><\/P>このプロセスには、トレーニングサンプルの取得、深層学習モデルのトレーニング、推論ツールの実行、および損傷住宅の検出が含まれます — すべてArcGISプラットフォーム内で行われました。このブログでは、その各ステップを詳しく説明します。<\/SPAN><\/P><\/DIV>
Woolsey Fireは15日間燃え続け、約97,000エーカーを焼失し、数千の建物が損傷または破壊されました。ArcGIS内の深層学習を使用して火災範囲内の損傷建物を迅速に特定し、影響を受けた住民や事業者が保険請求処理を迅速化できるようにしました。<\/SPAN><\/P>このプロセスには、トレーニングサンプルの取得、深層学習モデルのトレーニング、推論ツールの実行、および損傷住宅の検出が含まれます — すべてArcGISプラットフォーム内で行われました。このブログでは、その各ステップを詳しく説明します。<\/SPAN><\/P><\/DIV>
完了後、地上真実ラベルとモデル分類結果を比較し、モデル性能のおおよその質的評価を行いました。
Business Analyst: 影響を受けた地域をよりよく理解した今、火災によって影響を受けたメンバーが誰であるかを把握したいと考えました。災害地域にモバイル対応ユニットを展開する際には、高齢者や子供など、最もリスクの高い人口がどこにいるかを知ることが重要です。ArcGIS Business Analystのインフォグラフィックスを使用して、影響を受けたコミュニティの貴重な特性と情報を抽出し、モバイルユニットが迅速に意思決定できるよう支援するレポートを作成しました。
Operations Dashboard: 強化されたフィーチャレイヤーを含むOperations Dashboardを使用して、任意の構造物の状態、損傷した構造物の価値、影響を受けた人口などの情報に簡単かつ動的にアクセスできるようにしました。
ArcGISプラットフォームのディープラーニング、画像、およびデータ強化機能を使用することで、損傷した建物と損傷していない建物を迅速に区別し、最もリスクの高い人口を特定できます。組織はこの情報を迅速な対応および復旧活動に活用できます。
さらにリソース:
ArcGIS ProでのDeep Learning
Raster Analyticsによる分散処理
画像解析ワークフロー
損害評価モデルのトレーニング詳細
ArcGIS Notebooks
Esriのイメージチームのプロダクトマネージャーであり、リモートセンシングとあらゆる画像技術に情熱を持っています。
ArcGIS API for Pythonの開発リード。@EsriでディープラーニングをWhereの科学に応用しています。https://twitter.com/geonumist
サインインしたメンバーは投稿、更新のフォローなどができます。初めてですか？無料アカウントを登録してください。
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
