[論文レビュー] Improving Community Resiliency and Emergency Response With Artificial Intelligence

Benjamin Ortiz, Laura H. Kahn+5 more|arXiv (Cornell University)|May 28, 2020

Flood Risk Assessment and Management参考文献 4被引用数 11

ひとこと要約

本論文は、洪水リスクマップ、道路網、浸水モデル、コンピュータビジョンを統合した多様な地理空間データを活用するAI駆動型緊急対応システムを提案する。リアルタイムの意思決定支援を可能にするもので、オープンソースデータと機械学習を組み合わせることで、動的な避難経路の決定と救助隊員の宿泊施設手配が可能となる。ノースカロライナ州ランボーロンにおけるハリケーン・フレデリックのシミュレーションを通じて、状況把握の向上と連携の強化が確認された。

ABSTRACT

New crisis response and management approaches that incorporate the latest information technologies are essential in all phases of emergency preparedness and response, including the planning, response, recovery, and assessment phases. Accurate and timely information is as crucial as is rapid and coherent coordination among the responding organizations. We are working towards a multipronged emergency response tool that provide stakeholders timely access to comprehensive, relevant, and reliable information. The faster emergency personnel are able to analyze, disseminate and act on key information, the more effective and timelier their response will be and the greater the benefit to affected populations. Our tool consists of encoding multiple layers of open source geospatial data including flood risk location, road network strength, inundation maps that proxy inland flooding and computer vision semantic segmentation for estimating flooded areas and damaged infrastructure. These data layers are combined and used as input data for machine learning algorithms such as finding the best evacuation routes before, during and after an emergency or providing a list of available lodging for first responders in an impacted area for first. Even though our system could be used in a number of use cases where people are forced from one location to another, we demonstrate the feasibility of our system for the use case of Hurricane Florence in Lumberton, North Carolina.

研究の動機と目的

• リアルタイムの地理空間データを処理する統合的AI駆動ツールを通じて、コミュニティのレジリエンスと緊急対応を向上させること。
• 計画、対応、回復、評価の各段階における情報アクセス、連携、意思決定の重要なギャップを解消すること。
• 避難計画と救助隊員のリソース配分を支援するスケーラブルで多面的なシステムの開発。
• ノースカロライナ州ランボーロンにおけるハリケーン・フレデリックを現実の事例として用い、実現可能性を示すこと。
• 正確で場所に特化したデータの迅速な分析と共有を可能にすることで、対応の迅速化と効果を高めること。

提案手法

• 本システムは、洪水リスクゾーン、道路網の健全性、浸水マップなど、複数のオープンソース地理空間データレイヤーを統合する。
• 衛星画像やドローン画像に対してコンピュータビジョンのセマンティックセグメンテーションを適用し、浸水範囲やインfra構造物の損傷を推定する。
• 機械学習モデルがこれらのデータレイヤーを処理し、緊急事態の前後を含めた最適な避難経路を特定する。
• リアルタイムの避難経路や救助隊員の利用可能な宿泊施設リストといった実行可能な出力を生成する。
• 空間的および時間的レイヤーを統合するデータ統合技術により、不確実性下での動的意思決定を支援する。
• フレームワークは、代表的な災害シナリオとしてノースカロライナ州ランボーロンにおけるハリケーン・フレデリックを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 AIと多様な地理空間データを統合することで、緊急対応中の状況把握はどのように向上するか？
• RQ2 リアルタイムの洪水マップとインfra構造物損傷検出を統合することで、避難計画にどのような影響を与えるか？
• RQ3 動的条件下でも機械学習モデルが最適な避難経路を効果的に推奨できるか？
• RQ4 本システムは、救助隊員の宿泊施設の空き状況データをリアルタイムで提供することで、どのように連携を支援するか？
• RQ5 このAI駆動型ツールは、被災地域におけるコミュニティのレジリエンスをどの程度向上できるか？

主な発見

• 本システムは、現実のハリケーン災害シナリオにおいて、オープンソースの地理空間データとAIを統合した緊急対応の実現可能性を成功裏に示した。
• コンピュータビジョンのセマンティックセグメンテーションにより、画像から浸水範囲や損傷したインフラの正確な推定が可能になった。
• 機械学習モデルが、変化する洪水状況や道路の通行可能性に応じて動的に最適な避難経路を生成した。
• 救助隊員の利用可能な宿泊施設に関する迅速で信頼性の高いデータを提供し、連携の質と対応効率を向上させた。
• 複数のデータレイヤーの統合により、状況把握が向上し、対応フェーズ全体にわたり、より迅速で的確な意思決定が可能になった。
• 本アプローチは、同様のデータが入手可能な他の災害タイプや地域へのスケーラビリティに強く期待できる。