Dot.lib

El uso de imágenes de teledetección (vía satélite) es una práctica estándar en la preparación y recuperación ante desastres naturales. Sin embargo, evaluar con rapidez y precisión el nivel de daño estructural en miles de edificios sigue siendo un gran desafío.

Históricamente, los modelos de Inteligencia Artificial luchan contra incertidumbres visuales complejas. Es fácil para una máquina (o para un humano) mirar una foto y distinguir un edificio intacto de uno totalmente destruido. Pero clasificar daños intermedios (como daños "menores" o "mayores") y hacerlo en diferentes tipos de desastres —como huracanes, inundaciones e incendios— genera un enorme margen de error.

Para resolver este problema, un estudio publicado en la revista ASCE OPEN, de la American Society of Civil Engineers, presentó un enfoque innovador de visión por computadora: la red TriNet-DD.

La Innovación: La Red TriNet-DD

Desarrollada por los investigadores Molan Zhang y ZhiQiang Chen, TriNet-DD es una red de aprendizaje profundo (deep learning) que analiza imágenes satelitales capturadas antes y después de un desastre.

El modelo utiliza una arquitectura basada en "redes trillizas" (triplet networks) y extracción de características a través de ResNet50. La gran innovación radica en su función de pérdida (loss function) mejorada, que entrena a la IA para enfocarse activamente en las diferencias extremas y en las sutilezas que separan las categorías de daño, superando las variaciones visuales causadas por diferentes materiales de construcción o condiciones climáticas.

Resultados del Estudio

El modelo fue entrenado y probado utilizando la base de datos pública xBD, que contiene más de 850 mil pares de imágenes satelitales de alta resolución que cubren desastres en 15 países . Los resultados revelaron información valiosa:

• Alta Precisión General: El modelo entrenado para múltiples peligros alcanzó una puntuación media F1 de 0.87, demostrando una fuerte capacidad de generalización para clasificar daños en diferentes escenarios.
  
  
• Diferencias entre Desastres: El daño estructural causado por vientos e inundaciones es mucho más detectable visualmente que el daño provocado por incendios (que obtuvo la puntuación más baja), debido a las altas incertidumbres visuales que dejan las llamas.
  
  
• Extremos vs. Intermedios: El modelo confirmó que los daños extremos (edificios "sin daños" o "destruidos") se identifican con una precisión mucho mayor que los daños estructurales intermedios, alineándose con la misma dificultad que enfrentan los analistas humanos en estas situaciones.

Impacto en el Mundo Real

Esta tecnología proporciona una manera más rápida y consistente de evaluar la destrucción tras grandes catástrofes. El método desarrollado puede apoyar directamente a los gestores de emergencias, agencias gubernamentales y organizaciones humanitarias, ayudando a dirigir los equipos de rescate y los recursos de manera mucho más ágil.

Para conocer los detalles de la arquitectura de la red neuronal y las matrices de confusión de las pruebas, acceda al artículo original.

Sobre la American Society of Civil Engineers (ASCE)

Fundada en 1852, la American Society of Civil Engineers (ASCE) es la sociedad de ingeniería más antigua de los Estados Unidos y una de las organizaciones profesionales más importantes para los ingenieros civiles de todo el mundo. La organización es también una prolífica editora de contenido técnico, que publica decenas de revistas científicas, libros y actas de conferencias. Con la misión de promover la profesión y establecer estándares de excelencia y ética, la ASCE desempeña un papel crucial en el desarrollo de normas técnicas que se adoptan a nivel mundial. 

Si desea obtener más información sobre la cartera de la American Society of Civil Engineers (ASCE) para su institución, póngase en contacto con info@dotlib.com o complete nuestro formulario. Aproveche la oportunidad para mantenerse al día con nuestro blog, seguir nuestras redes sociales y suscribirse a Dotlib TV, nuestro canal oficial de YouTube.