为应对气候变化，美AI研究员打造自然灾害卫星图像开放数据集

随着气候变化的升级，自然灾害的影响可能变得难以预测。在本周，为了鼓励使用机器学习的方法进行建筑物损害评估，卡内基梅隆大学的软件工程研究所连同CrowdAI——美国国防部联合人工智能中心（JAIC）与国防创新部——共同计划开放一个带标记的开源数据集。该数据集包含过去十年内一些较大自然灾害的数据。它被称为“xBD”，包含了全球灾难影响的数据，比如2010年海地发生的地震。

“尽管大规模灾害会带来灾难性的破坏，但它们还是相对较少的。因此可用的相关卫星图像很少。此外，建筑设计的不同取决于它们被建造在世界上的位置。因此，相同严重程度的损害在不同的地方看起来是不同的，而数据必须可以反映这种现象，”一篇详细介绍创建“xBD”的研究论文这样写道。

“xBD”包含了大约70万个建筑物在8种不同的自然灾害之前和之后的卫星图像，包括地震、野火、洪水和火山爆发。它覆盖了约5000平方公里的地区，包括印度和非洲的洪水、老挝和巴西的大坝倒塌以及加利福尼亚和希腊历史性的致命火灾。

合著者和CrowdAI机器学习负责人Jigar Doshi表示，该数据集将在未来几周内与xView 2.0 Challenge一起发布，并从＂xBD＂中挖掘更多见解。该数据集收集工作受到了加利福尼亚航空国民警卫队野火损害评估方法的影响。

“这一过程告知了指导我们将特定数据纳入数据集中的一组标准，以及当前损害评估过程的弱点。每一次灾难都是单独地处理的。人类分析师使用的评估过程在不同的灾难类型中是不可重复的，”报告指出。“这种不可复制的数据是机器学习算法使用的一个主要问题；不同的灾害以不同的方式影响建筑物，不同国家的建筑结构也不同，因此评估系统中的确定性是确保机器学习算法能够学习有实际意义模式的必要属性。“

该小组还发布了联合损害评估量表，这是一种建筑物损害评估量表，将受影响的建筑物标记为“轻微损害”、“重大损害”或“完全毁坏”。这些图像是从DigitalGlobe的开放数据项目中提取的。

“xBD”是本周早些时候在2019年计算机视觉与模式识别会议（CVPR）上展示的几十项作品之一。该会议与全球挑战计算机视觉研讨会一起举行。研讨会一共收到了15个国家提交的材料。

在CVPR会议上提出的其他作品包括研究南非的空间种族隔离系统、智利的森林砍伐预防系统、通过卫星图像对贫困预测分析以及南极洲企鹅种群分析。

除了对建立“xBD”的贡献外，CrowdAI去年还与Facebook AI合作开发了阿根廷圣罗莎火灾和哈维飓风卫星图像的损害评估方法系统。该项目是基于2018年CVPR会议上的DeepGlobe卫星图像挑战的作品。

Facebook AI研究人员也在使用卫星图像和计算机视觉识别建筑物，以创建全球人口密度地图。该倡议始于4月，基于联合国人道主义数据交换所的非洲地图而建立。

今年，荷兰瓦赫宁根大学的研究人员也参与了CVPR会议。他们提出了一项研究工作，探讨从卫星图像和应用于动物保护的技术中对野生动物进行弱监控的监测方法。