Building Damage Assessment After a Natural Disaster in Emergency Contexts: A Deep Learning Approach

Les catastrophes naturelles peuvent être extrêmement dévastatrices, autant sur le plan humain que matériel. Trop souvent, ces événements laissent derrière eux des communautés en situation précaires. Les organisations humanitaires agissent en première ligne: elles doivent intervenir le plus rapidement possible. Toutefois, opérer dans des zones dévastées peut est assurément difficile à coordoner et peut d'autant plus s'avérer dangereux pour les travailleurs de terrain. L'imagerie satellite offre une alternative à faible risque pour évaluer la situation sur le terrain avant d'y déployer des ressources. Cependant, les images satellites couvrent souvent de larges superficies et leur traitement manuel pour identifier les zones affectées tendent à générer de longs délais. Ainsi, dans ce projet, nous proponsons une approche basée sur l'apprentissage machine pour accélérer l'évaluation des dommages aux suites d'une catastrophe naturelle. Plus spécifiquement, nous avons conçu un système de réseaux convolutifs profonds pour la détection des bâtiments endommagés à partir d'images satellites qui utilisent des techniques de transfert d'apprentissage pour réduire le temps d'exécution. En résulte un système adapté pour les situation d'urgence.

Abstract

Natural disasters can be devastating: they may cause the loss of life and major damages to properties and infrastructures. Too often, they lead the way to precarity in the affected communities. Humanitarian organizations are in the frontline and, as such, they must intervene without delay. However, operating in devastated areas can be hazardous for field workers and is assuredly chaotic. Remote sensing imagery enables for a low-risk ground assessment that can be done prior to deploying resources on the field. Yet, satellite images often cover large areas and their manual processing to identify affected regions result lengthy delays. Thereby, in this work, we propose a Machine Learning (ML) approach to support and speed up the damage assessment workflow in the aftermath of a natural disaster. More specifically, we design a system based on Convolutional Neural Networks (CNN) to detect damaged buildings from satellite imagery and experiment with transfer learning techniques to shorten the runtime. The result is an end-to-end machine learning workflow for emergency context for humanitarians to detect damaged buildings in the shortest delays after a natural disaster.