El pasado es a menudo la ventana a nuestro futuro, especialmente cuando se trata de desastres naturales. Utilizando datos de las inundaciones de 2018 que azotaron el suroeste de Japón para calibrar un modelo de aprendizaje automático, investigadores del Instituto Internacional de Investigación de Ciencias de Desastres IRIDeS enLa Universidad de Tohoku y el Centro Japón-Perú de Investigación de Ingeniería Sísmica y Mitigación de Desastres CISMID, en inglés han identificado con éxito las inundaciones causadas por el tifón Hagibis.
El tifón Hagibis devastó Japón en octubre de 2019, matando a 91 personas, dañando 85,000 hogares y causando daños por aproximadamente $ 15 mil millones. Las inundaciones en las regiones afectadas fueron profundas.
En los esfuerzos de rescate y recuperación de desastres naturales, el mapeo de inundaciones en tiempo real es crucial. Permite a los gobiernos dirigir el socorro a las áreas que más lo necesitan. Para ayudar en este esfuerzo, a menudo se emplean imágenes de satélite utilizando inteligencia artificial IA.
Esto es crucial para los datos de entrenamiento. Los datos de entrenamiento permiten que los algoritmos aprendan datos y produzcan resultados cuando surgen nuevas entradas en un proceso conocido como aprendizaje automático. Sin embargo, la cantidad de datos de entrenamiento es limitada en muchos casos. Recopilación de datos de entrenamiento inmediatamente despuésun desastre es costoso, lento y muchas veces imposible.
En IRIDeS y CISMID, los autores del estudio, evaluaron el desempeño de un modelo para aprender de las inundaciones de 2018 que azotaron el suroeste de Japón e identificar las inundaciones inducidas por el Typhoon Hagibis de 2019. Los mapas de inundaciones resultantes fueron consistentes con los resultadosde mapas de inundaciones reales publicados por gobiernos locales e instituciones públicas.
Los autores señalan que "Nuestro modelo identifica con éxito las áreas inundadas y verificó que la IA puede aprender de desastres pasados, lo que finalmente nos permite predecir mejor las inundaciones en eventos futuros". Agregan que "Nuestro próximo paso en este proyecto sería incorporardatos del evento desconocido en una segunda etapa de entrenamiento para una estimación más precisa ".
Fuente de la historia :
Materiales proporcionado por Universidad de Tohoku . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :