Als 2023 Waldbrände Lahaina auf Hawaii verwüsteten, hinterließen sie nicht nur physische, sondern auch emotionale und gesellschaftliche Narben. Die Schwierigkeiten bei der Schadensbewertung unterstrichen die dringende Notwendigkeit verbesserter Tools und Methoden. Esri hat als Reaktion darauf ein neues Deep-Learning-Modell für die Schadensbewertung entwickelt. Das Modell erfordert ein Gebäudegrundriss-Schicht, um Gebäude als beschädigt oder unbeschädigt zu klassifizieren.
Historisch gesehen war eine Schadensbewertung nach einer Katastrophe ein manueller und zeitaufwendiger Prozess. Es ist ein primäres Ziel von Esri’s Schadensbewertungs-Deep-Learning-Modell, diese Herausforderungen anzugehen. Durch die Verarbeitung von hochauflösenden Satelliten- und Luftbildern kann das neue Modell Muster der Zerstörung identifizieren und zwischen beschädigten und unbeschädigten Strukturen unterscheiden. Die Automatisierung beschleunigt den Bewertungsprozess mit erstaunlicher Genauigkeit.
Nachdem das Modell verfeinert wurde, können Benutzer das Deep-Learning-Modell in ArcGIS Pro oder ArcGIS Online ausführen und ihre eigenen Schadensbewertungen erstellen. Es wurde sowohl die Analyseergebnisse als auch das Deep-Learning-Modell in ArcGIS Online veröffentlicht, um eine effiziente Zusammenarbeit anzuregen, neue Tools für den Vorfall zu schaffen und die geospatiale künstliche Intelligenz zu demokratisieren. Das Esri Schadensbewertungsmodell ist öffentlich verfügbar und kann leicht in eine Webkarte, ein Dashboard oder eine Web-App eingefügt werden.
Die tragischen Brände in Lahaina dienten als deutliche Erinnerung an die Verwundbarkeiten, denen wir gegenüberstehen, und die Bedeutung zeitnaher und genauer postkatastrophaler Bewertungen. Der Weg nach vorne besteht darin, Modelle wie diese mit traditionellen Methoden zu kombinieren, um die Mechanismen der Katastrophenbekämpfung zu verbessern. Letztendlich ist das Ziel, Gemeinden in ihren Zeiten der Not zu unterstützen und sicherzustellen, dass sie die besten Werkzeuge zur Verfügung haben für Katastrophenvorsorge, -minderung, -antwort und -wiederherstellung.