miércoles, octubre 27Bienvenidos a Tecnogus

Nublado con posibilidad de IA: los científicos de datos desarrollan detección de inundaciones para alerta temprana

Imagen: NVIDIA – 2021

Las devastadoras inundaciones están en los titulares de todo el mundo, pero los avances en el aprendizaje profundo para la detección podrían convertir la incertidumbre sobre las evacuaciones en noticias de ayer.

Aplicando un conjunto de datos de 66.000 imágenes, los científicos de datos han creado un conjunto de modelos para predecir zonas de inundación. Y los modelos son generalizables para su aplicación a nuevas geografías.

Los hallazgos, publicados en un artículo reciente , se discutirán en una presentación en la conferencia NVIDIA GTC 2021 el próximo mes.

El esfuerzo pionero obtuvo el segundo lugar en la competencia de Técnicas Emergentes en Inteligencia Computacional (ETCI) 2021 sobre detección de inundaciones. Llegó apenas un pelo atrás, el esfuerzo del primer lugar en lo que se conoce como puntaje de intersección sobre unión, o IOU, que mide la superposición en la segmentación de imágenes.

Para Siddha Ganju, uno de los autores del artículo, las inundaciones no son solo algo sobre lo que lee o ve en videos virales. Cuando tenía seis años, su padre conducía en el norte de la India y su automóvil se volcó en una inundación repentina. Se escapó del automóvil y tuvo la suerte de aterrizar con vida, nadando junto a las serpientes, pero no pudo contactar a su familia durante casi un día.

«Esto fue antes de los teléfonos móviles, y lo estuvimos esperando durante mucho tiempo», dijo Ganju, científico de datos senior de NVIDIA. “Las inundaciones no son como una piscina, no es algo por lo que se pueda nadar. La corriente es muy rápida y está llena de escombros peligrosos como árboles caídos que se mueven rápidamente «.

La temporada de monzones de la India puede provocar lluvias de 3 pies o más durante un día, haciendo que los ríos estallen repentinamente con una fuerza de agua similar a un tsunami. Los terremotos también pueden provocar inundaciones repentinas.

Las inundaciones causan más de $ 40 mil millones en daños en todo el mundo al año, según la Organización para la Cooperación y el Desarrollo Económicos.

Segmentación de inundaciones en segundos

La competencia ETCI pidió a los concursantes que usaran 66,000 imágenes etiquetadas con SAR Sentinel-1 con píxeles que se muestran antes y después de una inundación. Se desafió a los participantes a desarrollar modelos de segmentación semántica utilizando los datos para que pudieran aplicarse a nuevas imágenes sin etiquetar para realizar inferencias sobre posibles zonas de inundación.

Imágenes de satélite de Florence, Carolina del Norte, que muestran la cobertura de agua.

Las imágenes, proporcionadas por el Equipo de Implementación Interagencial y Conceptos Avanzados de la NASA, incluyeron a Bangladesh; Nebraska; Alabama del Norte; Red River, Dakota del Norte; Florence, Carolina del Norte; y otras regiones.

Ganju se asoció para la competencia ETCI con Sayak Paul, un ingeniero de aprendizaje automático en la startup de comercio electrónico Carted. Los resultados mostraron que sus modelos, que se ejecutan en GPU NVIDIA V100 Tensor Core , pueden crear una segmentación para zonas de inundación que abarcan aproximadamente 24,000 millas cuadradas en solo 3 segundos.

Conjuntos de modelos de formación

Ganju y Paul desarrollaron un conjunto de modelos con UNet y UNet ++, un par de arquitecturas de redes neuronales convolucionales utilizadas para la segmentación de imágenes. Pueden analizar píxeles en busca de fronteras entre cosas como la tierra y el agua.

El modelo de mejor rendimiento del dúo se entrenó en múltiples iteraciones, con la salida de cada etapa alimentando la siguiente etapa.

Las GPU NVIDIA V100 en la nube impulsaron la capacitación para el conjunto de modelos, y toda la inferencia también se realizó en ellos.

Desarrollar para el impacto social

Su método generalizable se puede aplicar fácilmente. No se necesitan imágenes específicas de líneas costeras anotadas, desiertos, áreas urbanas u otros, ya que todo está integrado en el modelo. Esto permite que otros aprovechen el trabajo para cualquier región, posiblemente simplemente actualizando el conjunto de datos para mejorarlo con el aprendizaje por transferencia .

Ganju y Paul esperan que su código, publicado en GitHub , sea recogido por expertos locales en disciplinas científicas que puedan mejorarlo e implementarlo para sistemas de emergencia en todo el mundo. Están en conversaciones con el Centro de Satélites de las Naciones Unidas, que está interesado en probar la IA para mejorar su herramienta de detección de inundaciones y su sistema de respuesta a desastres, dijo Ganju.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *