<  Back to the Polytechnique Montréal portal

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

Isabelle Bouchard

Master's thesis (2021)

[img] Restricted to: Repository staff only until 14 April 2023
Terms of Use: All rights reserved
Request a copy
Show abstract
Hide abstract

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 intervenewithout 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 thedamage 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.

Résumé

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 doiventintervenir 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 situationsur 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 utilisentdes techniques de transfert d'apprentissage pour réduire le temps d'exécution. En résulte un système adapté pour les situation d'urgence.
Department: Department of Computer Engineering and Software Engineering
Program: Génie informatique
Academic/Research Directors: Daniel Aloise, Marie-Ève Rancourt
PolyPublie URL: https://publications.polymtl.ca/9470/
Institution: Polytechnique Montréal
Date Deposited: 14 Apr 2022 14:04
Last Modified: 12 Nov 2022 12:00
Cite in APA 7: Bouchard, I. (2021). Building Damage Assessment After a Natural Disaster in Emergency Contexts: A Deep Learning Approach [Master's thesis, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/9470/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only

View Item View Item