DisasterNets: Embedding Machine Learning in Disaster Mapping

要約

災害マッピングは重要な作業であり、多くの場合、現場の専門家が必要であり、時間がかかります。
これに対処するために、機械学習を使用して災害を迅速かつ正確に認識するための、DisasterNets と呼ばれる包括的なフレームワークが提示されています。
これは、空間粒状化と属性粒状化の 2 つの段階で構成されます。
空間細分化ステージでは、教師あり/半教師あり学習、教師なし変更検出、およびソース データ技術の有無にかかわらずドメイン適応を利用して、さまざまな災害マッピング シナリオを処理します。
さらに、属性細分化ステージを使用して、対応する地理情報フィールドのプロパティを備えた災害データベースが構築されます。
このフレームワークは、地震による地滑りのマッピングや大規模な洪水のマッピングに適用されます。
その結果、高精度・高効率かつシーンを超えた災害認識において、競争力のある性能を発揮することができました。
災害マッピングと機械学習コミュニティの間のギャップを埋めるために、DisasterNets に基づいたオープンにアクセス可能なツールを提供します。
フレームワークとツールは https://github.com/HydroPML/DisasterNets で入手できます。

要約(オリジナル)

Disaster mapping is a critical task that often requires on-site experts and is time-consuming. To address this, a comprehensive framework is presented for fast and accurate recognition of disasters using machine learning, termed DisasterNets. It consists of two stages, space granulation and attribute granulation. The space granulation stage leverages supervised/semi-supervised learning, unsupervised change detection, and domain adaptation with/without source data techniques to handle different disaster mapping scenarios. Furthermore, the disaster database with the corresponding geographic information field properties is built by using the attribute granulation stage. The framework is applied to earthquake-triggered landslide mapping and large-scale flood mapping. The results demonstrate a competitive performance for high-precision, high-efficiency, and cross-scene recognition of disasters. To bridge the gap between disaster mapping and machine learning communities, we will provide an openly accessible tool based on DisasterNets. The framework and tool will be available at https://github.com/HydroPML/DisasterNets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google