AI を活用して災害による損失を評価し、救助活動を支援する

地震、ハリケーン、洪水などの自然災害は、広大な地域と何百万人もの人々に影響を及ぼし、物流上の大きな課題をもたらします。政府、非政府組織、国連機関などの危機対応機関は、限られた資源の配分を最適化する方法を計画するために、災害発生後に迅速かつ包括的かつ正確な評価を行う必要があります。このため、十分な情報を提供できるツールがますます重要になっています。たとえば、解像度が最大 0.3 メートルの超高解像度 (VHR) 衛星画像などは、危機対応の重要なツールとなり、災害によって地形、インフラ、人口に生じた変化を危機対応機関に示すことができます。

しかし、崩壊した建物、ひびの入った橋、仮設避難所の場所など、生の衛星画像から関連する詳細な情報を抽出するには、依然として多くの手作業が必要です。たとえば、2010 年のハイチ地震の場合、アナリストはポルトープランス地域だけで 90,000 棟以上の建物を手作業で検査し、各建物の被害を 5 段階で評価しました。

この種の手動分析を完了するには、多くの場合、専門家チームが数週間かけて作業する必要があります。実際、このデータは、最も重要な意思決定を行うための基礎を提供するために、災害発生後 48 ～ 72 時間以内に緊急に必要とされます。

これらの自然災害の影響を軽減するために、私たちの論文「畳み込みニューラル ネットワークを使用した衛星画像における建物被害検出」では、国連世界食糧計画 (WFP) イノベーション アクセラレーターと共同で開発された、衛星データを自動的に処理して建物被害評価を作成する機械学習 (ML) アプローチについて詳しく説明しています。この取り組みにより、危機対応要員が災害評価報告書を作成するために必要な時間と労力が大幅に削減され、最悪の被害を受けた地域にタイムリーな災害救援支援を提供するために必要な処理時間が短縮されるとともに、これらの重要なサービスの全体的な範囲が拡大される可能性があると考えられています。

• 畳み込みニューラルネットワークを用いた衛星画像における建物損傷検出

https://arxiv.org/abs/1910.06444

方法

自動化された損害評価プロセスは、建物の検出と損害の分類という 2 つのステップで構成されます。

最初のステップでは、オブジェクト検出モデルを使用して、画像内の各建物の周囲に境界ボックスを描画します。次に、検出された各建物を中心とした災害前と災害後の画像を撮影し、分類モデルを使用して建物が被害を受けているかどうかを判断します。

分類モデルは畳み込みニューラル ネットワークで構成されており、特定の建物を中心とした 2 つの RGB 画像が入力されます。サイズは 161 ピクセル x 161 ピクセルで、50 m x 50 m のフットプリントに相当します。このモデルは、災害発生前と発生後の画像を比較し、2 つの画像の違いを分析して、0.0 ～ 1.0 の範囲の値を出力します。0.0 は建物が損傷していないことを意味し、1.0 は建物が損傷していることを意味します。

前後の画像は異なる日付、異なる時間帯、場合によっては異なる衛星によって撮影されたため、さまざまな問題が発生する可能性があります。たとえば、画像の明るさ、コントラスト、彩度、照明条件は大きく異なる場合があり、画像内のピクセルの位置がずれることもあります。

色と明るさの違いを修正するために、ヒストグラム均等化を使用して画像の色を正規化します。また、トレーニング中に画像のコントラストと彩度をランダムに変化させるなどの標準的なデータ拡張技術を使用することで、微妙な色の違いに対してモデルをより堅牢にします。

トレーニングデータ

この作業の主な課題の 1 つは、トレーニング データセットを収集することです。使用できるデータには固有の制限があります。高解像度の衛星画像が存在する災害はごくわずかであり、危険評価が実施されている災害はさらに少ないのです。ラベルとしては、UNOSAT や REACH など、この分野で活動する人道支援組織が手作業で作成した、公開されている被害評価データを使用します。

対応する生の衛星画像を使用し、Google Earth Engine を使用して危険評価ラベルと衛星画像を空間的に組み合わせて、最終的なトレーニング例を生成します。モデルのトレーニングに使用されたすべての画像は、市販のソースから取得されました。

• Google Earth エンジン

https://developers.google.com/earth-engine

さまざまな災害による被害を受けた建物と被害を受けていない建物の前後の画像を示すタイルの例

結果

私たちは近年発生した3つの大地震、2010年のハイチ地震（マグニチュード7.0）、2017年のメキシコシティ地震（マグニチュード7.1）、2018年のインドネシアの一連の地震（マグニチュード5.9～7.5）を評価しました。

各イベントごとに、地震の影響を受けた地域の建物のサブセットでモデルをトレーニングし、別の地域の建物のサブセットでテストしました。私たちの評価の基礎として、UNOSAT と REACH が実施した専門家による損害評価を使用します。モデルの品質は、実際の精度（専門家の評価と比較）と ROC 曲線の下の面積（AUROC）を使用して測定します。AUROC は、モデルの真陽性検出率と偽陽性検出率のトレードオフを捉えたもので、テスト データセット内の陽性サンプルと陰性サンプルの数に不均衡がある場合に品質を測定する一般的な方法です。 AUROC 値が 0.5 の場合、モデルの予測は偶然と同じくらい正確であることを意味し、値が 1.0 の場合、モデルは完全に正確であることを意味します。危機対応者からのフィードバックによると、災害発生後 72 時間以内に初期決定を下すには 70% の精度が必要です。

人間の専門家による評価データに基づいてモデルの予測を評価する（高いほど良い）

2010 年のハイチ地震のモデル予測の例: 予測値が 1.0 に近いほど、建物が損傷したことに対するモデルの確信度が高いことを意味します。 0.0 に近い値は建物が損傷していないことを示します。通常、損傷あり/損傷なしの予測を区別するために 0.5 のしきい値が使用されますが、これを調整して予測の感度を制御することもできます。

今後の仕事

現在のモデルは、同じ地域（同じ都市や国など）の建物を使用してトレーニングおよびテストした場合にはうまく機能しますが、私たちの最終的な目標は、モデルのトレーニングに使用されたデータに類似した災害だけでなく、世界中で発生する災害による建物の被害を正確に評価できるモデルを持つことです。

この作業は、過去の災害から得られる利用可能なトレーニング データの種類が本質的に限られているため、困難です。つまり、限られた地理的場所でのみ発生したイベントに限定されます。したがって、私たちのモデルを新しい場所で将来起こりうる災害に一般化することは依然として課題であり、私たちの現在の研究の焦点となっています。私たちは、重要な援助配分の決定が経験豊富な災害対応者によって常に検証できるように、専門のアナリストによって対話的にトレーニング、検証、展開できるシステムを構想しています。このテクノロジーにより、コミュニティが最も必要なときに必要な支援を受けられるようになることを願っています。