Dot.lib

O uso de imagens de sensoriamento remoto (via satélite) é uma prática padrão na preparação e recuperação de desastres naturais. No entanto, avaliar com rapidez e precisão o nível de dano estrutural em milhares de edifícios continua sendo um grande desafio.

Historicamente, os modelos de Inteligência Artificial lutam contra incertezas visuais complexas. É fácil para uma máquina (ou para um humano) olhar para uma foto e distinguir um prédio intacto de um totalmente destruído. Mas classificar danos intermediários (como danos "menores" ou "maiores") e fazer isso em diferentes tipos de desastres — como furacões, enchentes e incêndios — gera uma enorme margem de erro.

Para resolver esse problema, um estudo publicado na revista ASCE OPEN, da American Society of Civil Engineers, apresentou uma abordagem inovadora de visão computacional: a rede TriNet-DD.

A Inovação: A Rede TriNet-DD

Desenvolvida pelos pesquisadores Molan Zhang e ZhiQiang Chen, a TriNet-DD é uma rede de aprendizado profundo (deep learning) que analisa imagens de satélite capturadas antes e depois de um desastre.

O modelo utiliza uma arquitetura baseada em "redes trigêmeas" (triplet networks) e extração de características via ResNet50. A grande inovação está em sua função de perda (loss function) aprimorada, que treina a IA para focar ativamente nas diferenças extremas e nas sutilezas que separam as categorias de danos, superando as variações visuais causadas por diferentes materiais de construção ou condições climáticas.

Resultados do Estudo

O modelo foi treinado e testado usando o banco de dados público xBD, que contém mais de 850 mil pares de imagens de satélite de alta resolução cobrindo desastres em 15 países . Os resultados revelaram informações valiosas:

• Alta Precisão Geral: O modelo treinado para múltiplos perigos alcançou uma pontuação média F1 de 0,87, demonstrando uma forte capacidade de generalização para classificar danos em diferentes cenários.
  
  
• Diferenças entre Desastres: O dano estrutural causado por ventos e inundações é muito mais detectável visualmente do que o dano causado por incêndios (que obteve a pontuação mais baixa), devido às altas incertezas visuais deixadas pelas chamas.
  
  
• Extremos vs. Intermediários: O modelo confirmou que os danos extremos (edifícios "sem danos" ou "destruídos") são identificados com uma precisão muito maior do que os danos estruturais intermediários, alinhando-se com a própria dificuldade que analistas humanos enfrentam nessas situações.

Impacto no Mundo Real

Essa tecnologia fornece uma maneira mais rápida e consistente de avaliar a destruição após grandes catástrofes. O método desenvolvido pode apoiar diretamente gestores de emergência, agências governamentais e organizações humanitárias, ajudando a direcionar equipes de resgate e recursos financeiros com muito mais agilidade.

Para conhecer os detalhes da arquitetura da rede neural e as matrizes de confusão dos testes, acesse o artigo original.

Sobre a American Society of Civil Engineers (ASCE)

Fundada em 1852, a American Society of Civil Engineers (ASCE) é a mais antiga sociedade de engenharia dos Estados Unidos e uma das mais importantes organizações profissionais para engenheiros civis em todo o mundo. A organização é também uma prolífica editora de conteúdo técnico, publicando dezenas de periódicos científicos, livros e anais de conferências. Com a missão de promover a profissão e estabelecer padrões de excelência e ética, a ASCE desempenha um papel crucial no desenvolvimento de normas técnicas que são adotadas globalmente. 

Se você deseja conhecer melhor as publicações da American Society of Civil Engineers (ASCE) para a sua instituição, entre em contato pelo info@dotlib.com ou preencha nosso formulário. Aproveite e acompanhe nosso blog, siga nossas redes sociais e se inscreva na Dotlib TV, nosso canal oficial no YouTube.