Als der Hurrikan Fiona am 18. September 2022 als Sturm der Kategorie 1 in Puerto Rico auf Land traf, wurden einige Gebiete der Insel mit fast 30 Zoll Regen überschwemmt, und die Stromversorgung von Hunderttausenden von Haushalten fiel aus. Nur 10 Tage später landete Hurrikan Ian, ein Sturm der Kategorie 4 und einer der stärksten und schädlichsten Stürme aller Zeiten, in Lee County, Florida, zerstörte Häuser und überschwemmte Städte, bevor er die Küste hinaufzog und als Sturm der Kategorie 1 erneut auf Land traf in Südcarolina.
Extreme Wetter- und Naturkatastrophen ereignen sich in den Vereinigten Staaten und ihren Territorien immer häufiger. Genaue und detaillierte Karten sind für Notfallmaßnahmen und die Wiederherstellung von entscheidender Bedeutung.
Noch bevor die Hurrikane auf Land trafen, arbeitete die Federal Emergency Management Agency mit der Forscherin Lexie Yang und ihrem Team am Oak Ridge National Laboratory des Energieministeriums zusammen, um potenzielle Schäden vorherzusagen und die Reaktion vor Ort mithilfe von US Structures, einem riesigen Datensatz, zu beschleunigen Gebäudeumrisse und -attribute, die mehr als 125 Millionen Bauwerke abdecken.
In den vergangenen sieben Jahren haben Forscher der Abteilung Geospatial Science and Human Security des ORNL alle Strukturen in den Vereinigten Staaten und ihren Territorien kartiert und charakterisiert, um die FEMA bei ihrer Reaktion auf Katastrophen zu unterstützen. Dieser Datensatz ermöglicht eine einheitliche, landesweite Erfassung der Gebäude, in denen Menschen wohnen und arbeiten.
Die Agentur forderte am selben Tag, an dem Fiona landete, zwei neue Attribute für die Daten an: Belegungsarten und Adressen, wichtige Informationen zur schnellen Bereitstellung von Notfallfonds des Bundes für Haushalte und Unternehmen.
„Beim Hinzufügen der neuen Daten sind wir auf einige Sprachbarrieren gestoßen: Die begrenzten Informationen, die uns zur Verfügung standen, waren auf Spanisch. Außerdem gibt es viele verschiedene Möglichkeiten, die Adressen von Puerto Rico zu dokumentieren. Diese Daten müssen vereinheitlicht und die Zuordnungsinformationen validiert werden war eine einzigartige Herausforderung für uns“, sagte Yang.
Trotz dieser Herausforderung war Yangs Team in der Lage, die neuen Attribute in etwa 50 Stunden zu übersetzen, zu validieren und mit den Daten von US Structures zusammenzuführen. Dies ist das Ergebnis einer skalierbaren Informationspipeline und Datenbank, die in jahrelanger Arbeit aufgebaut wurde. Die FEMA begann mit der Planung ihrer Reaktion unter Verwendung der Basiskarten der US-Strukturen der wahrscheinlich betroffenen Gebiete. FEMA-Mitarbeiter fügten im Verlauf der Katastrophen weitere Datenschichten hinzu, sodass die Agentur die Maßnahmen in den am stärksten betroffenen Gebieten priorisieren konnte.
„FEMA hat GIS [geographic information systems] Analysten, die unsere Daten nehmen und sie mit Satellitenbildern, Luftbildern und Informationen nach der Katastrophe integrieren, die Ersthelfer vor Ort sammeln“, sagte Carter Christopher vom ORNL, Abteilungsleiter für Human Dynamics in der Abteilung Geospatial Science and Human Security.
Der vorhandene Datensatz, gepaart mit Informationen zu den Auswirkungen in Echtzeit, kann die Wiederherstellung beschleunigen, indem Schadensbewertungen unterstützt werden, die Immobilieneigentümer benötigen, um innerhalb von Tagen statt Wochen oder Monaten Mittel für den Wiederaufbau zu erhalten.
„Unser Team ist sehr stolz darauf, Teil dieses Projekts zu sein“, sagte Yang. „Wir sehen, wie unsere technischen Fähigkeiten und unser Wissen den von der FEMA und lokalen Interessengruppen verwendeten Datensatz transformieren können.“
US Structures begann im Jahr 2015, als die ehemaligen ORNL-Forscher Mark Tuttle und Melanie Laverdiere an einem FEMA-Projekt arbeiteten, um Wohnmobilparks in den USA zu kartieren. Wohnmobile sind besonders anfällig für Naturkatastrophen, und es gab nur wenige Daten, um deren Standorte zu identifizieren -Risikostrukturen.
Das Team verwendete Deep Learning, eine Teilmenge des maschinellen Lernens, um Bilder zu verarbeiten und die Daten zusammenzustellen. Maschinelles Lernen verwendet Computer, um Muster in riesigen Datenmengen zu erkennen, und trifft dann Vorhersagen auf der Grundlage dessen, was der Computer aus diesen Mustern lernt. Beim Deep Learning erstellt das Computersystem seine eigenen Algorithmen, anstatt Algorithmen zu verwenden, die von einem Menschen entwickelt und eingegeben wurden.
Nachdem die nationale Datenbank für Mobilheimparks zusammengestellt wurde, forderte die FEMA eine umfassendere Strukturdatenbank an.
Der Prozess begann mit einem Strom hochauflösender Bilder von einem kommerziellen Anbieter von Satellitenbildern und etwas Vorverarbeitung. Die Rohbilder mussten an die tatsächlichen Geländevariationen angepasst werden – ein Prozess, der Orthorektifizierung genannt wird – und geschärft werden, um die Auflösung zu verbessern. Dieser Prozess brachte das Bild von einer räumlichen Auflösung von 2 bis 3 Metern auf die 0,3 Meter, die für die Merkmalsextraktion benötigt werden.
Die räumliche Auflösung ähnelt der von Google Maps; Gegenstände, die einige Meter groß sind, sind für das menschliche Auge erkennbar. Nach der Vorbereitung gelangten die Bilder in eine Pipeline zur Merkmalsextraktion, die von einem GPU-Cluster innerhalb des ORNL Compute and Data Environment for Science (CADES) gehostet wird, das Hochleistungsdatendienste für Forscher im gesamten Labor bietet.
Um das Deep-Learning-Modell in Gang zu bringen, gaben die Wissenschaftler dem System eine Reihe von markierten Bildern oder Trainingsdaten zur Untersuchung. Das maschinelle Lernmodell arbeitete als tiefes neuronales Netzwerk und trainierte sich selbst, um ähnliche Eingaben zu analysieren.
Bis heute wurden mehr als 59.000 Trainingsbeispiele, die ein breites und vielfältiges Spektrum an geografischen Merkmalen repräsentieren, in das US Structures-Modell integriert. Als das Team mit der Arbeit an einem neuen Bundesstaat begann, bereiteten sie den Trainingssatz mit neuen, regionsspezifischen Beispielen zusätzlich zu den kumulierten Trainingsdaten für die vorherigen Bundesstaaten vor.
Die Leistungszuwächse in den letzten Jahren sind auf die kontinuierlich verbesserte Hardware und Rechenleistung des ORNL, Fortschritte beim Deep Learning und eine wachsende Menge an Trainingsdaten zurückzuführen, die das auf künstlicher Intelligenz basierende Modell informieren. Im Laufe des Projekts wurden die Karten genauer, erforderten weniger menschliches Eingreifen, und die Zeit, die zum Verarbeiten der Bilder benötigt wurde, wurde immer kürzer.
Convolutional Neural Networking komprimierte einen Prozess, der von Menschenhand viele Jahre gedauert hätte, auf Minuten. Bis heute hat das Team 1,1 Petabyte an Bildern verarbeitet – zusammengefügt und beschrieben, was einer Milliarde digitaler Fotografien entspricht.
Nachdem die Feature-Extraktion abgeschlossen war, zogen die Forscher Daten von kommerziellen Parzellendatenanbietern heran, um Landnutzungsinformationen direkt mit den Gebäudefeatures von US Structures zusammenzuführen.
„Diese zusätzlichen Informationen, sofern verfügbar, machen die Strukturdaten aussagekräftiger. Handelt es sich bei diesem Platz um ein Haus, ein Lagerhaus oder eine Kirche? Jedes davon hat unterschiedliche Auswirkungen auf eine Katastrophe“, sagte Christopher.
Wenn keine zuverlässigen Landnutzungsdaten verfügbar waren, verwendete das Team ein separates maschinelles Lernmodell, um Wohn- von Nichtwohngebäuden zu unterscheiden. Strukturen werden auch mit anderen Attributen wie einer eindeutigen Gebäudekennung, Quadratmeterzahl, Längen- und Breitengrad beschrieben.
„Wir nehmen uns viel Zeit, um zu überprüfen, ob alles, was wir der FEMA übergeben, die höchste Qualität ist, die wir liefern können“, sagte Yang.
Diese mächtig Open-Source-Datensatz ist öffentlich verfügbar von der GeoPlatform der US-Regierung. Zusätzlich hat der US Geological Survey die Daten ergänzt die Landeskarte, eine gemeinsame Anstrengung von US-Behörden und Partnern zur Bereitstellung topografischer Informationen. Das ORNL-Team hofft, dass der offene Zugang zu den Daten akademischen Einrichtungen für die Forschung und kleinen kommunalen Behörden für die Risikoplanung nützlich sein wird.
„Viele ländliche Bezirke und kleine Gerichtsbarkeiten haben möglicherweise nicht das Budget, um diese Art von Daten sonst zu sammeln oder zu kaufen“, sagte Christopher. „Es könnte von Ersthelfern oder Anbietern grundlegender Dienste verwendet werden. Es könnte auch auf Bezirksebene für Stadtplanung oder Immobilienbewertungen angewendet werden.“
Zu den ORNL-Forschern des Projekts gehören Taylor Hauser, Benjamin Swan, Andrew Reith und Matthew Whitehead. Weitere Mitwirkende sind Brad Miller, Matthew Crockett und Katie Heying.
In der nächsten Phase des Projekts erwartet das Team, die beiden Schlüsselattribute – Belegungsarten und Adressen – für die restlichen Bundesstaaten auszufüllen und Höhen- und Höheninformationen anzugehen, die für die Hochwassermodellierung benötigt werden.
Der Aufbau eines nachhaltigen Prozesses zur Erkennung und Einbeziehung von Änderungen im Laufe der Zeit wird der Schlüssel zur Verlängerung der Lebensdauer des Datensatzes sein. Darüber hinaus könnte dieses leistungsstarke Modell weltweit für ähnliche Zwecke bei der Katastrophenplanung und -reaktion eingesetzt oder mit anderen Sensortechnologien kombiniert werden, um andere nützliche Informationen zu extrahieren.
Chris Vaughan, Yangs Projektpartner bei der FEMA, war ein begeisterter Befürworter von US Structures, förderte seine Verwendung und warb für das konsistente Schema und die Zugänglichkeit der Daten.
„Katastrophenoperationen erfordern einen standardisierten und zugänglichen Strukturdatensatz, um die Hilfe für Überlebende zu optimieren. Die Arbeit von ORNL an US Structures hat uns dabei geholfen, Vorfalldaten mit unseren behördenübergreifenden Partnern wie nie zuvor auszutauschen“, sagte Vaughan. „Darüber hinaus helfen sie uns dabei, langjährige Datenlücken in Bezug auf gefährdete Bevölkerungsgruppen zu schließen, was für unser Team höchste Priorität hat.“
Yang hat ein wachsendes Interesse von Bundesbehörden, Forschungsorganisationen, Kommunalverwaltungen und Praktikern nicht nur an der Nutzung des Datensatzes, sondern auch am Beitragen und Einbeziehen von Daten aus kleineren lokalen Projekten festgestellt.
„Dieses Projekt befindet sich noch in der Entwicklung, und wir erwarten weiterhin wichtige Aktualisierungen der aktuellen Daten“, sagte sie. „Wir hoffen, dass mehr Gemeinden die Daten nutzen werden. Es hat sich bereits durch die Arbeit der FEMA als wertvoll erwiesen, aber es gibt möglicherweise andere Anwendungen, die noch wirkungsvoller sind.“