Deep Learning for Disaster Response

QC 20261002

Abstract

I takt med att klimatförändringarna gör extremväder allt vanligare och intensivare ökar vikten av att snabbt bedöma skador och sätta in lämpliga åtgärder. Fjärranalysmetoder som satellit- och drönarobservationer gör det möjligt att kartlägga dessa storskaliga händelser i motsvarande skala. Denna avhandling behandlar gapet mellan katastrofinsatsers behov och generella metoder inom datorseende: vilken data som lämnas outnyttjad, hur generalisering utvärderas och hur prediktiv osäkerhet modelleras. Vi modifierar det vanligen använda xBD-datasetet för att mäta generalisering till helt osedda katastrofhändelser, istället för enbart till osedda bilder från redan kända händelser. Vi låter dessutom modellens prediktioner betingas på vilken typ av naturkatastrof det rör sig om, information som alltid finns tillgänglig i tillämpningen och hjälper modellen att generalisera till nya händelser. För prediktion av skogsbränders spridning introducerar vi först ett nytt dataset som ger tillgång till en brands närmaste historik istället för enbart den aktuella dagens observation. Slutligen omprövar vi hur prediktionsmålen bör modelleras, motiverat av att prediktion av skogsbrandsspridning genomgående uppvisat begränsad prestanda i litteraturen. Istället för att förutsäga endast en segmenteringsmask eller oberoende sannolikheter för varje pixel genererar vi en mängd åtskilda prediktioner som syftar till att fånga den underliggande osäkerheten kring möjliga utfall.

Link to DiVA