透過AI繪製地圖加強災害防範

作者: Sally Ward-Foxton,EE Times Europe特約編輯

英特爾(Intel)已開發出可以透過衛星影像辨識地物的人工智慧(AI)模型,用來準確繪製最新的地圖。英特爾一直與紅十字會緊密合作推展「地圖補充計畫(Missing Maps project)」,目的是為發展中國家繪製地圖,以提高其防範災害的能力。發展中國家的許多區域都缺乏最新的地圖,這意味著在發生自然災害或傳染病時,救援組織難以有效展開工作。

英特爾(Intel)已開發出可以透過衛星影像辨識地物的人工智慧(AI)模型,用來準確繪製最新的地圖。英特爾一直與紅十字會緊密合作推展「地圖補充計畫(Missing Maps project)」,目的是為發展中國家繪製地圖,以提高其防範災害的能力。發展中國家的許多區域都缺乏最新的地圖,這意味著在發生自然災害或傳染病時,救援組織難以有效展開工作。

美國紅十字會喀斯喀特地區(Cascades Region)CEO Dale Kunce是「地圖補充計畫」的聯合創始人,他認為,「對紅十字會的工作人員而言,得到準確的地圖對於防災規劃和應急回應至關重要。目前世界上很多地區都還沒有地圖,這使規劃工作和災難應急回應變得十分困難。這就是我們與英特爾進行合作的原因,利用AI來繪製易受災地區的地圖,以辨識道路、橋樑、建築物和城市。」

「如果颶風來襲之前你不清楚每一條道路分佈在哪裡,那麼颶風過後你就會不知道哪裡發生了洪災,哪些道路被沖走了,哪些道路還留在那裡。」英特爾AI實驗室深度學習資料科學家Alexei Bastidas在一條英特爾Podcast中說,「如果沒有足夠精確的地圖,不瞭解災害發生之前的地貌,那麼在災害發生時就很難及時作出回應。還有一個問題需要考慮,有很多災害是與天氣有關,例如龍捲風、颱風、颶風、甚至火山爆發。這些事件會擋住衛星感測器,因為它們產生了雲層……對紅十字會的工作人員來說,要及時回應這類事件極具挑戰。」

目前,「地圖補充計畫」有一支志願者隊伍,他們流覽衛星影像,辨識道路、城鎮、橋樑和其他基礎設施。志願者們手動更新一個名為「開放街道地圖(Open Street Map)」的開放原始碼地圖,既費時又費力。

英特爾AI實驗室與Mila和CrowdAI合作,共同開發出影像分割模型,利用模型從衛星影像中辨識出烏干達(Uganda)地圖中遺漏的橋樑。由於採用影像分割模型性能更好,所以不再使用物件檢測方法。他們選擇橋樑作為試驗物件,因為橋樑是極易受到洪水等自然災害威脅的重要基礎設施。系統共發現70座橋樑在以前的地圖中遺漏了,烏干達國家協會(Ugandan National Society)可以利用這些資料更好地規劃疏散及救援路線。

解讀衛星影像非常具有挑戰性。Bastidas提到,其中的一個挑戰是缺乏明顯的上下參考框架,而且,衛星影像並非總是從正上方拍攝,這意味著同一個地物可以從不同角度看到。而且,由於當地地形及基礎設施和建築風格不同,因此很難利用世界其他地區的標籤資料進行模型訓練。

即使是同一個國家的影像,夏季和冬季的地形看起來可能也大不相同,而橋樑等地物的尺寸和樣式也表現出巨大的差異。

20200319NT31P1
系統發現烏干達的開放街道地圖或統計局地圖遺漏了70座橋樑。(圖片來源:英特爾)

因此,英特爾的訓練資料集只能來自烏干達。實際上,他們選擇了烏干達北部的一個區域,使用相同橋樑的多個不同影像,以便模型能夠瞭解季節性和天底角(nadir angle)的變化。

這些模型首先查找水路和公路地物,並將二者的交叉點標記出來,作為橋樑的候選點。每一個橋樑候選點30公尺以內的已知橋樑都會被忽略。在這些交叉點周圍畫一個限定框,再拉取限定框區域的衛星影像。之後,模型對衛星影像進行解析,看其中是否包含橋樑。

這些模型在內建DL Boost和nGraph的第二代Intel Xeon可擴展處理器(Cascade Lake)上執行。Bastidas說,之所以選擇這款處理器,是因為它們的尺寸很大,這是由於衛星影像尺寸巨大,通常為1,024方形畫素(square pixel),而晶片需要一次處理整個影像。

Bastidas稱,該計畫接下來可能會建立模型來協助人們標繪志願者的位置,也許可以預測橋樑的位置,但最終還是由人類做出判斷。

Bastidas說:「我們也有興趣嘗試提出利用現有開放原始碼數據的方法,以使模型更健壯、更具通用性,並且在這個地理上獨特的地區可以以更大的容忍度『作業』。」

(參考原文: AI Generates Maps for Disaster Preparedness,by Sally Ward-Foxton)

本文同步刊登於EDN Taiwan 2020年3月號雜誌

發表評論