Trí tuệ nhân tạo góp phần đánh giá thiệt hại sau thảm họa từ ảnh vệ tinh – Giải pháp AI đột phá cho quản lý rủi ro

Hiện nay, việc biến đổi khí hậu đang tăng dần có nhiều tác động tiêu cực hơn, gây ra những ảnh hưởng và thiệt hại lớn hơn. Chúng ta đã phải chứng kiến ​​nhiều sự kiện thiên tai chấn động thế giới ngày càng xuất hiện nhiều trong những năm gần đây:  

• Động đất 7.5 độ Richter tại Đông Indonesia (2019): Gây ra hơn 2.200 người chết và khoảng 70.000 người bị tác động
• Cháy rừng ở Amazon (2019): Gây ra khoảng 906.000 ha rừng bị thiêu rụi,
• Cháy rừng ở Úc (2019-2020): Gây ra khoảng 18,6 triệu ha rừng bị thiêu rụi, 33 người chết và hơn 3.000 ngôi nhà bị phá hủy,
• Hỏa hoạn tại California, Mỹ (2019): Gây ra 85 người chết và hơn 150.000 ngôi nhà bị phá hủy.

Dưới góc độ các kiến thức về thuật toán, logic và ứng giải pháp AI vào thực tế, chúng ta có thể thực hiện một công việc có giá trị hơn : Ước tính  thiệt hại sau thảm họa dựa trên image protection . Bài viết dưới đây sẽ trình bày về cách tiếp cận bài toán và cách sử dụng giải pháp AI để xác định rủi ro sau thảm họa thiên tai.

Giới thiệu về Deep Learning

Deep Learning là phương pháp học máy dựa trên kiến trúc mạng lưới neuron nhân tạo (Artificial Neural Networks – ANNs) thông qua việc xác định các hệ số trọng số giúp cho mạng lưới tính toán đầu ra. Deep Learning cho phép các mô hình phân loại và dự đoán chính xác hơn bằng cách sử dụng nhiều lớp của các neural networks phức tạp. Và việc ước tính thiệt hại sau thảm họa như động đất, lụt lội, cháy rừng và bão tố là điều thực hiện được với mức độ chính xác cao.

Các hệ thống Deep Learning là một trong các giải pháp AI có thể phân tích và đánh giá các thông tin đa dạng như dữ liệu về địa hình, độ cao, dân số, tốc độ gió, mật độ cây cối và hơn thế nữa để dự đoán các khu vực có khả năng xảy ra rủi ro cao hơn.

Mô tả bài toán phân tích thiệt hại

Chuẩn bị dữ liệu

Như bất kỳ mô hình Deep Learning nào, phải bắt đầu bằng việc chuẩn bị các tập dữ liệu. Tập dữ liệu được sử dụng trong việc xác định rủi ro sau thảm họa thiên tai, gồm các thông tin về địa hình, độ cao, dân số, tốc độ gió, mật độ cây cối, …và thống kê về các thảm họa thiên tai đã xảy ra trong quá khứ.

Tạo mô hình

Sau khi đã chuẩn bị được tập dữ liệu, tiếp theo là tạo ra một mô hình ước tính thiệt hại của các thảm họa thiên tai trên một khu vực cụ thể. Việc xây dựng mô hình này có thể được thực hiện thông qua các thư viện của Python như TensorFlow, Theano hoặc Keras.

Huấn luyện mô hình Deep Learning

Chúng ta tiến hành huấn luyện mô hình bằng cách cung cấp dữ liệu cho mô hình và cho phép nó học hỏi các mẫu dựa trên tập dữ liệu huấn luyện. Trong quá trình này, mô hình sẽ tự động tối ưu hóa các trọng số của nó để đưa ra dự đoán chính xác hơn về rủi ro.

Đánh giá và cải thiện mô hình

Chúng ta đánh giá độ chính xác của mô hình bằng cách so sánh các kết quả dự đoán của nó với dữ liệu thực tế. Nếu kết quả dự đoán chưa như mong đợi, chúng ta phải điều chỉnh lại các thông số của mô hình để đạt được kết quả tốt hơn.

Sử dung mô hình để đánh giá thiệt hại 

Khi mô hình đã được đánh giá và cải thiện đến mức độ chính xác mong muốn, chúng ta có thể sử dụng nó để đưa ra dự đoán về ước tính rủi ro. Kết quả dự đoán được đưa ra sẽ giúp cho các nhà lập kế hoạch có thể đưa ra các cách phòng tránh và ứng phó với các thảm họa thiên tai này.

Một số thư viện Deep Learning được sử dụng

Thư viện TensorFlow của Google, Theano của đại học Montreal và Keras của chuyên gia trí tuệ nhân tạo Francois Chollet được sử dụng rất phổ biến và đang được sử dụng trong các dự án liên quan đến Deep Learning.

Các ví dụ sử dụng Deep Learning trong xác ước tính thiệt hại 

Các hệ thống Deep Learning đã được sử dụng để dự đoán và cảnh báo trước các thảm họa thiên tai như động đất, lụt lội, và cháy rừng. Ví dụ, một công ty khởi nghiệp của Mỹ đã phát triển một hệ thống Deep Learning có thể dự đoán các động đất trong suốt 24 giờ. Nó sử dụng một mô hình mạng neuron để xác định các khu vực có khả năng xảy ra động đất bằng cách phân tích các thông tin về địa hình, dân số, v.v…

Ví dụ phân tích bài toán dưới góc độ Machine Learning

Bước 1:Xác định được vị trí: Trong computer vision, tác vụ này có thể được hiểu như việc phát hiện vật thể (object detection) hoặc phân đoạn hình ảnh (image segmentation). 

Bước 2: So sánh hình ảnh trước và sau khi xảy ra thảm họa xảy ra, ước tính mức độ thiệt hại : Tác vụ nghe có vẻ giống như phân lớp hình ảnh (image classification), điểm khác biệt so với bài toán instance segmentation trong tác vụ trước, là trong tác vụ 1, các pixel sẽ được phân lớp nhị phân, còn tác vụ 2, các pixel sẽ được phân lớp đa lớp.

Các bạn có thể quan sát hình bên dưới để hiểu thêm về label. Với mỗi màu sắc khác nhau, đại diện cho một cấp độ bị phá hủy khác nhau sau khi thảm họa xảy ra.

Code để visualize:

Đây là kết quả : 

Tiền xử lí

Trước tiên, để áp dụng Image Segmentation thì label không thể cứ để ở dạng json được phải tạo ra ảnh mask tương ứng với từng file json

Với các điểm ảnh trong ảnh mask được sinh ra, có các giá trị ứng với các điều kiện sau :

• “no-damage”: 1,
• “minor-damage”: 2,
• “major-damage”: 3,
• “destroyed”: 4,
• “un-classified”: 1
• “background “: 0

Code sinh ảnh mask đổi với ảnh trước thảm họa:

Kết quả sẽ là:

Kết luận

Deep Learning là một công nghệ đột phá và cung cấp nhiều tiềm năng cho việc ước tính rủi ro sau thảm họa thiên tai. Để sử dụng mô hình và các thuật toán Deep Learning, chúng ta cần cung cấp đầy đủ các tập dữ liệu và thông tin về thảm họa thiên tai để cải thiện chính xác và tính ứng dụng của mô hình.