Un nuevo sistema de computación servirá para acelerar la respuesta a catástrofes naturales
La investigación ha utilizado casi dos millones de imágenes para entrenar al modelo de detección
Distintos desastres naturales alrededor del mundo, como terremotos, tornados o incendios forestales masivos | Montaje (Jorge Arias)
Los desastres naturales, como el reciente terremoto de Turquía, son eventos catastróficos recurrentes que, además, tienen la problemática de recibir ayudas tardías en función de como evolucione la situación. Por otro lado, se debe tener en cuenta que la capacidad de respuesta es limitada y no todos los recursos están a plena disposición en todos los lugares.
Por ello, un equipo internacional de investigadores ha diseñado un sistema computacional de aprendizaje que es capaz de detectar desastres naturales utilizando todas las imágenes que se suben a las redes sociales. La investigación ha aplicado herramientas de visión por computación que, una vez entrenadas mediante casi 2 millones de fotografías, han demostrado ser capaces de analizar, filtrar y detectar catástrofes reales.
El trabajo ha sido liderado por el MIT (Massachusetts Institute of Technology), contando con la participación de Ágata Lapedriza, líder del grupo de investigación especializada en Inteligencia Artificial para el bienestar humano (AIWELL), adscrito al eHealth Center, y profesora de la Universitat Oberta de Catalunya (UOC).
Desastres naturales
Con el avance del calentamiento global, los desastres naturales -inundaciones, tornados o incendios forestales- son cada vez más frecuentes y devastadores. Aún no existen herramientas para predecirlos, por lo que articular respuestas rápidas, eficaces y productivas es fundamental para salvar el mayor número de vidas.
«Afortunadamente, la tecnología puede jugar un papel muy importante en estas situaciones. Las publicaciones en las redes sociales se pueden utilizar como una fuente de datos de baja latencia para entender la progresión y las consecuencias de un desastre», explica Lapedriza en declaraciones recogidas por THE OBJECTIVE.
Esta investigación ha sido publicada en la revista Transactions on Pattern Analysis and Machine Intelligence. Los investigadores establecieron un listado con 42 categorías de incidentes, incluyendo aquellas de origen natural -aludes, terremotos, sequías, erupciones volcánicas…-, además de distintos accidentes con cierto grado de intervención humana, como aeronáuticos o de construcción.
A su vez, se suma la tipología de 49 lugares, permitiendo etiquetar las fotografías con las cuales se preparó el sistema. Los autores crearon el conjunto de datos denominado Incidents1M, que contiene 1.787.154 imágenes, para entrenar posteriormente el modelo de detección.
Del total de imágenes, 977.088 tienen al menos una etiqueta positiva que las relaciona con alguno de los incidentes categorizados, mientras que hay 810.066 imágenes que contienen etiquetas de incidentes de clase negativa. Para los lugares, 764.124 imágenes son de clase positiva y 1.023.030 son de clase negativa.
Eliminar los ‘falsos positivos’
Estas etiquetas negativas han permitido entrenar al sistema para que sea capaz de eliminar los falsos positivos, entendiendo, por ejemplo, que una fotografía de una hoguera no corresponde a un incendio. Una vez entrenado el modelo de deep learning, el equipo lo puso a prueba con varios experimentos.
Se utilizaron volúmenes ingentes de imágenes de redes sociales descargadas –por ejemplo de Flick y Twitter-. «Dentro de estos conjuntos de imágenes, nuestro modelo podía detectar las que se correspondían a incidentes y comprobamos que había correspondencia con incidentes concretos de los cuales existía registro, como por ejemplo los terremotos de 2015 en el Nepal y en Chile», comenta Lapedriza.
Los investigadores han demostrado el potencial de utilizar una herramienta basada en deep learning para obtener información de las redes sociales sobre desastres naturales y acontecimientos que requieran ayuda humanitaria. Ahora, se abren nuevos retos científicos, como por ejemplo aprovechar las mismas imágenes de inundaciones, incendios u otros sucesos para cuantificar la gravedad de los incidentes de manera automática, o incluso hacer un seguimiento más efectivo de cómo evolucionan en el tiempo.
