機器學習在災害評估中的應用

隨著氣候變遷、各類災害如：洪水、颶風等，對環境、人類生活產生更劇烈的衝擊，SDGs的相關目標如：目標11「促使城市與人類居住具包容、安全、韌性及永續性」也成為巨大挑戰，其中的11.5子項「減少自然災害的不利影響」更是各界災害救援、減災計畫的重要目標。近年來，聯合國世界糧食計劃署 (WFP) 與Google Research合作，將機器學習帶入災害評估場域，你能想像機器學習如何幫助更多受災居民嗎？讓我們一起來看看本期文章！

撰文｜Fin

 

災害現場，為何我們需要「機器學習」的力量？

災害發生時，在分秒必爭、基礎設施和通訊受損或中斷的地區，許多人員因缺乏即時資訊，無法立即有效應變。一般的災後評估是由訓練有素的分析師親自檢查、比對大量衛星圖像，但此流程十分耗時、耗力，以2010年海地地震為例，分析師親自檢查九萬多座建築物，以五分制來評分每座建築的損失程度，其中許多人工分析需要耗費數週才能完成。

因此，災後快速獲得全面、準確的評估，便成了救援組織和政府的迫切需求。有了這些評估，救援組織才能準確救援，相關單位才能妥善分配資源。而機器學習的加入，讓災害評估的優化出現曙光。

 舉例來說，聯合國世界糧食計劃署 (WFP) 與Google Research建立了由人工智慧驅動的專案——「SKAI」，它結合了統計方法、數據和現代運算技術，自動地執行特定任務。它應用了電腦視覺來評估建築物的損壞情形，而電腦演算法可以解釋從視覺素材中提取的資訊，例如：受衝突、氣候事件或其他災害衝擊地區的衛星圖像，而此評估流程的核心是專為SKAI開發的機器學習模型。

 

什麼是機器學習？

機器學習 (Machine Learning) 被視為人工智慧的一個子集。根據學者Jordan和Mitchell (2015) 的說法：「機器學習這個領域所關注的問題是，如何發展計算機，讓它能透過經驗來自動改善？」他們接著說明：「一個學習問題可以定義為透過某種類型的訓練經驗，在執行某些任務時，提高某些效能指標的問題。例如，在學習偵測信用卡詐欺時，任務是為任何給定的信用卡交易分配『詐欺』或『非詐欺』標籤。要改進的效能指標可能是此詐欺分類器的準確性，訓練體驗可能包括歷史信用卡交易的集合，每筆交易在回顧時都被標記為詐欺或非詐欺。」

和前例有異曲同工之妙的SAKI專案中，團隊希望模型能改進分辨受損建築物的「準確度」，而模型的訓練資料使用了有專家標記的過去災害圖像。經過訓練的模型，可分辨「受損」和「未受損」建築物的圖像，在幾分鐘內分析整座城市，有利人員迅速救援、分配資源。

此模型還有一項特點，是運用了「卷積神經網路」（Convolutional Neural Networks, CNN）。根據Kattenborn等學者 (2021) 所說：「CNN被設計於學習空間特徵，例如：邊緣、角、紋理或更抽象的形狀，最能描述出目標的類別或數量。」

 

SAKI專案中，模型的訓練過程？

2019年，研究團隊為此專案建立了涵蓋三種地區地震的資料集提供訓練——2010年海地地震、2017年墨西哥城地震和2018年印尼地震。不過，由於實際災害的種類多元，過去提供模型的災難訓練數據類型有限，能否順利評估新地點的災難仍是挑戰，研究團隊理想的模型是能夠準確評估全球任何地方的災難造成的建築物損壞。

因此，近年來，他們陸續新增訓練資料，包括2020年黎巴嫩貝魯特港爆炸事件和2021年的斐濟颶風雅薩 (Yasa)。2020年貝魯特港爆炸事件的資料揭示了衛星影像的重要知識——衛星影像難以檢測到由於爆炸性質和側向力導致的建築物垂直表面損壞，如：窗戶破碎和牆壁破裂，因為衛星影像是從上方拍攝的。

讀到這裡，你可能會好奇：SAKI的模型和傳統的機器學習模型相比，有何不同呢？傳統的機器學習模型必須使用由人類專家手動標記的數千個範例影像來訓練，十分耗時，而在2021年，使用  半監督學習 (Semi-Supervised Learning, SSL) 方法訓練的模型，只需數百個標記範例就能實現高準確度，提升獲得準確結果的速度，呼應了災後需要快速評估的情境。

目前，團隊持續優化模型，使它能在各種地理位置、災害和損害類型中發揮作用，進一步提高在複雜環境下應對大規模災害的能力。

 

此模型的實測成果？

2023年，在土耳其和敘利亞大地震後，此模型展示了多樣功能：

1. 精準評估：模型評估了約60萬棟建築物，準確率超過81%。
2. 快速涵蓋大範圍區域：在不到一週內，評估範圍擴及530平方公里區域。
3. 提供有價值數據：模型蒐集更多衛星圖像和建物受損數據，為決策者提供必要資訊來規劃、執行救援。

此模型在不同類型的災害——2022年巴基斯坦洪災也發揮作用，分析受洪水影響的地區，支援當局救災評估，評估範圍為8,000平方公里，幫助了250萬人。

 

機器學習應用在災害評估領域的挑戰

從前例可知，機器學習在災後評估和救援行動中有巨大潛力提升效率，但仍面臨挑戰，包括需要大量高解析度的衛星圖像提供訓練，因此，WFP希望更多私人和機構開放相關圖像用於人道主義用途。此外，需讓各地居民、政府等相關人士了解機器學習的潛力，解除他們對技術的疑慮，以便在災害發生時能實際運用它的技術、共同應變，減少災害影響。

 

---

參考文獻

1. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.
2. The SKAI isn’t the limit: How WFP uses satellite imagery and machine learning in emergencies. (2024).WFP
3. Lee, J., Xu, J. Z., Sohn, K., Lu, W., Berthelot, D., Gur, I., ... & Kowatsch, B. (2020). Assessing post-disaster damage from satellite imagery using semi-supervised learning techniques. arXiv preprint arXiv:2011.14004.
4. Xu, J. Z., Lu, W., Li, Z., Khaitan, P., & Zaytseva, V. (2019). Building damage detection in satellite imagery using convolutional neural networks. arXiv preprint arXiv:1910.06444.
5. Machine Learning-based Damage Assessment for Disaster Relief. (2024). Joseph Xu, Senior Software Engineer and Pranav Khaitan, Engineering Lead, Google Research
6. SKAI. (2024).WFP
7. The benefits of machine learning in emergencies from river DEEP to mountain SKAI. (2024).WFP
8. How Do AI and Machine Learning Differ? (2024). California Institute of Technology
9. Revolutionizing Disaster Response with SKAI. (2024).WFP
10. Sers, Günter. (2024). Bundesarchiv B 422 Bild-0086, Köln, Rheinufer, Hochwasser. Wikimedia Commons (No changes were made)
11. DLR. (2024). Haiti satellite image before earthquake on 12 January 2010 Wikimedia Commons (No changes were made)