[논문 리뷰] Improving Community Resiliency and Emergency Response With Artificial Intelligence

Benjamin Ortiz, Laura H. Kahn외 5명|arXiv (Cornell University)|2020. 05. 28.

Flood Risk Assessment and Management참고 문헌 4인용 수 11

한 줄 요약

이 논문은 홍수 위험 지도, 도로 네트워크, 침수 모델 및 컴퓨터 비전을 포함한 다중 소스 지공간 데이터를 통합한 AI 기반 재난 대응 시스템을 제안한다. 이는 재난 기간 동안 실시간 의사결정 지원을 제공한다. 개방형 데이터와 기계학습을 결합함으로써 시스템은 동적 대피 경로 설정과 구조대 주거지 배정을 가능하게 하며, 럼버튼, 노스카롤라이나주에서 허리케인 플로렌스를 시뮬레이션한 결과, 상황 인식 능력과 협업 능력 향상이 입증되었다.

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.

연구 동기 및 목표

• 실시간 지공간 데이터를 처리하는 통합된 AI 기반 도구를 통해 공동체의 회복력과 재난 대응 능력을 향상시키기.
• 재난 단계(계획, 대응, 복구, 평가) 동안 정보 접근성, 협업, 의사결정의 핵심 격차를 해소하기.
• 대피 계획 및 구조대 자원 배정을 지원하는 확장 가능하고 다면적인 시스템 개발하기.
• 실제 사례로써 노스카롤라이나주 럼버튼에서의 허리케인 플로렌스를 활용해 타당성 입증하기.
• 신속한 분석과 신뢰할 수 있는 위치 기반 데이터의 배포를 통해 대응의 신속성과 효과성 향상시키기.

제안 방법

• 시스템은 홍수 위험 구역, 도로 네트워크의 무결성, 침수 지도 등 다양한 개방형 지공간 데이터 레이어를 수신한다.
• 위성 또는 드론 영상에 컴퓨터 비전 의미 분할 기법을 적용하여 홍수 발생 지역과 인프라 피해를 추정한다.
• 기계학습 모델이 이러한 데이터 레이어를 처리하여 재난 발생 전, 중, 후에 최적의 대피 경로를 식별한다.
• 실시간 대피 경로와 구조대가 이용 가능한 숙소 목록과 같은 실행 가능한 출력물을 생성한다.
• 공간적 및 시간적 레이어를 융합하는 기법을 통해 불확실성 하에서의 동적 의사결정을 지원한다.
• 프레임워크는 럼버튼, 노스카롤라이나주에서의 허리케인 플로렌스를 대표적 재난 시나리오로 평가한다.

실험 결과

연구 질문

• RQ1 AI와 다중 소스 지공간 데이터는 재난 대응 기간 동안 상황 인식 능력을 어떻게 향상시킬 수 있는가?
• RQ2 실시간 홍수 지ap도 제작 및 인프라 피해 탐지 통합이 대피 계획에 어떤 영향을 미치는가?
• RQ3 기계학습 모델은 변화하는 조건 하에서도 최적의 대피 경로를 효과적으로 추천할 수 있는가?
• RQ4 실시간 숙소 가용성 데이터를 통해 시스템은 구조대 협업을 어떻게 지원하는가?
• RQ5 이 AI 기반 도구는 재해 영향을 받은 지역의 공동체 회복력 향상에 어느 정도 기여할 수 있는가?

주요 결과

• 시스템은 실질적인 허리케인 사례에서 개방형 지공간 데이터와 AI를 융합한 재난 대응의 타당성을 성공적으로 입증하였다.
• 컴퓨터 비전 의미 분할 기법을 통해 영상에서 홍수 발생 지역과 피해를 격리한 인프라를 정확하게 추정할 수 있었다.
• 기계학습 모델은 홍수 조건 변화와 도로 접근성 변화에 따라 적응하는 동적 대피 경로를 생성하였다.
• 시스템은 구조대를 위한 신속하고 신뢰할 수 있는 숙소 가용성 데이터를 제공하여 협업 및 대응 효율성을 향상시켰다.
• 다양한 데이터 레이어의 통합은 상황 인식 능력을 향상시키고, 대응 단계 전반에서 더 신속하고 정보 기반의 의사결정을 지원하였다.
• 이러한 접근법은 유사한 데이터 가용성이 확보된 다른 재해 유형과 지역으로의 확장 가능성이 매우 높다.