Hacia una evaluación confiable post-desastre: avanzando en la detección de daños en edificios utilizando la red neuronal convolucional You Only Look Once y imágenes de satélite
Autores: Moreno González, César Luis; Montoya, Germán A.; Lozano Garzón, Carlos
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Hacia una evaluación confiable post-desastre: avanzando en la detección de daños en edificios utilizando la red neuronal convolucional You Only Look Once y imágenes de satélite
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Desastres naturales
Eventos hidrometeorológicos
Modelos de aprendizaje profundo
Imágenes de satélite
Estrategias de optimización
Evaluación de desastres
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 41
Citaciones: Sin citaciones
Los desastres naturales amenazan continuamente a las poblaciones en todo el mundo, con los eventos hidrometeorológicos destacándose por su imprevisibilidad, inicio rápido y significativa capacidad destructiva. Sin embargo, los países en desarrollo a menudo enfrentan severas limitaciones presupuestarias y dependen en gran medida del apoyo internacional, lo que limita su capacidad para implementar estrategias óptimas de respuesta a desastres. Este estudio aborda estos desafíos desarrollando e implementando modelos de aprendizaje profundo basados en YOLOv8 entrenados en imágenes satelitales de alta resolución del satélite Maxar GeoEye-1. A diferencia de estudios anteriores, presentamos un conjunto de datos etiquetado manualmente, que consta de 1400 edificios no dañados y 1200 dañados, derivados de imágenes previas y posteriores al huracán María. Este conjunto de datos ha sido publicado públicamente, proporcionando un punto de referencia para futuras investigaciones sobre evaluación de desastres. Además, realizamos una evaluación sistemática de estrategias de optimización, comparando SGD con momentum, RMSProp, Adam, AdaMax, NAdam y AdamW. Nuestros resultados demuestran que SGD con momentum supera a los optimizadores basados en Adam en estabilidad de entrenamiento, velocidad de convergencia y confiabilidad en umbrales de confianza más altos, lo que lleva a predicciones de daños por desastres más robustas y consistentes. Para mejorar la usabilidad, proponemos implementar el modelo entrenado a través de una API REST, lo que permite la evaluación de daños en tiempo real con recursos computacionales mínimos, convirtiéndolo en una herramienta escalable y de bajo costo para agencias gubernamentales y organizaciones humanitarias. Estos hallazgos contribuyen a la respuesta a desastres basada en el aprendizaje automático, ofreciendo un marco eficiente y rentable para la evaluación de daños a gran escala y reforzando la importancia de la selección de modelos, ajuste de hiperparámetros y funciones de optimización en aplicaciones críticas del mundo real.
Descripción
Los desastres naturales amenazan continuamente a las poblaciones en todo el mundo, con los eventos hidrometeorológicos destacándose por su imprevisibilidad, inicio rápido y significativa capacidad destructiva. Sin embargo, los países en desarrollo a menudo enfrentan severas limitaciones presupuestarias y dependen en gran medida del apoyo internacional, lo que limita su capacidad para implementar estrategias óptimas de respuesta a desastres. Este estudio aborda estos desafíos desarrollando e implementando modelos de aprendizaje profundo basados en YOLOv8 entrenados en imágenes satelitales de alta resolución del satélite Maxar GeoEye-1. A diferencia de estudios anteriores, presentamos un conjunto de datos etiquetado manualmente, que consta de 1400 edificios no dañados y 1200 dañados, derivados de imágenes previas y posteriores al huracán María. Este conjunto de datos ha sido publicado públicamente, proporcionando un punto de referencia para futuras investigaciones sobre evaluación de desastres. Además, realizamos una evaluación sistemática de estrategias de optimización, comparando SGD con momentum, RMSProp, Adam, AdaMax, NAdam y AdamW. Nuestros resultados demuestran que SGD con momentum supera a los optimizadores basados en Adam en estabilidad de entrenamiento, velocidad de convergencia y confiabilidad en umbrales de confianza más altos, lo que lleva a predicciones de daños por desastres más robustas y consistentes. Para mejorar la usabilidad, proponemos implementar el modelo entrenado a través de una API REST, lo que permite la evaluación de daños en tiempo real con recursos computacionales mínimos, convirtiéndolo en una herramienta escalable y de bajo costo para agencias gubernamentales y organizaciones humanitarias. Estos hallazgos contribuyen a la respuesta a desastres basada en el aprendizaje automático, ofreciendo un marco eficiente y rentable para la evaluación de daños a gran escala y reforzando la importancia de la selección de modelos, ajuste de hiperparámetros y funciones de optimización en aplicaciones críticas del mundo real.