Satellite to Street : Disaster Impact Estimator

Esta tesis presenta "Satellite to Street: Disaster Impact Estimator", un marco de aprendizaje profundo basado en una arquitectura U-Net modificada que genera mapas de daños detallados a nivel de píxel mediante el análisis de imágenes satelitales pre y post-desastre, superando las limitaciones de los métodos actuales al manejar desequilibrios de datos y distinguir múltiples niveles de severidad para optimizar la respuesta de emergencia.

Lo esencial

¡Claro que sí! Imagina que este proyecto es como tener un superhéroe digital llamado "Satélite a la Calle" que trabaja incansablemente para ayudar a las personas después de un desastre natural.

Aquí te explico de qué trata, usando analogías sencillas:

🌪️ El Problema: El Caos Después de la Tormenta

Imagina que acaba de pasar un terremoto o un huracán. Las ciudades están llenas de edificios dañados. Antes, para saber qué tan grave era la situación, equipos de expertos tenían que mirar fotos de satélite una por una, como si fueran detectives buscando pistas con una lupa.

• El problema: Es muy lento, cansado y a veces dos personas pueden ver cosas diferentes en la misma foto (subjetividad). Cuando el desastre es enorme, no hay tiempo suficiente para revisar todo manualmente.

🤖 La Solución: El "Ojo Digital" Inteligente

Los autores de este proyecto (un grupo de estudiantes de ingeniería) crearon un cerebro artificial (Inteligencia Artificial) que hace el trabajo sucio por nosotros. Lo llaman "Estimador de Impacto de Desastres".

Funciona así:

1. La Comparación de "Antes y Después": Imagina que tienes dos fotos de tu casa: una tomada ayer y otra hoy. Si ayer tu casa estaba intacta y hoy tiene el techo volado, la IA lo nota inmediatamente.
2. El "Doble Ojo": En lugar de mirar solo una foto, el sistema mira dos fotos al mismo tiempo (la de antes del desastre y la de después). Las combina como si fuera un sándwich de información, lo que le permite ver cambios que un ojo humano podría pasar por alto.

🎨 ¿Cómo ve el daño? (La Paleta de Colores)

La mayoría de los sistemas antiguos solo decían: "¿Está roto o no?". Pero este sistema es mucho más detallado, como un médico que no solo dice "está enfermo", sino que clasifica la gravedad:

• 🟢 Verde: Nada dañado (todo bien).
• 🟡 Amarillo: Daño menor (como un techo con una teja rota).
• 🟠 Naranja: Daño mayor (estructuras comprometidas).
• 🔴 Rojo: Destrucción total (el edificio se cayó).

El sistema pinta un mapa de colores sobre la ciudad, donde cada color le dice a los equipos de rescate: "¡Oye, aquí hay gente atrapada bajo escombros, vamos rápido!" o "Aquí solo hay un poco de polvo, podemos ir después".

🏗️ ¿Cómo aprendió a hacerlo? (El Entrenamiento)

Para que la IA fuera buena, los estudiantes le dieron miles de ejemplos de fotos de desastres reales (usando datos públicos).

• El truco: A veces hay muchos edificios que no están dañados y muy pocos que sí. Es como intentar enseñar a un niño a reconocer un león cuando solo le muestras fotos de gatos. El sistema tenía que aprender a prestar mucha atención a esos pocos edificios "leones" (los destruidos).
• La arquitectura: Usaron un modelo llamado U-Net, que es como un mapa de carreteras muy eficiente que toma la información, la analiza en detalle y luego la devuelve para dibujar el mapa de daños.

🚀 ¿Por qué es importante?

Imagina que eres el jefe de bomberos o de la Cruz Roja. Tienes una emergencia y necesitas saber dónde ir primero.

• Sin la IA: Tardarías horas en revisar fotos y podrías perder tiempo valioso.
• Con la IA: En minutos recibes un mapa de colores que te dice exactamente qué edificios están destruidos y cuáles solo tienen daños leves.

🌟 En Resumen

Este proyecto no quiere reemplazar a los humanos expertos, sino ser su mejor asistente. Es como darle a los rescatistas unas gafas de visión nocturna que les permiten ver el daño oculto de un desastre de un vistazo, ahorrando tiempo, salvando vidas y haciendo que la ayuda llegue más rápido a donde más se necesita.

La frase clave: Transforma miles de fotos aburridas en un mapa de colores claro y rápido que dice: "Aquí hay peligro, vamos allá".

Resumen técnico

Aquí tienes un resumen técnico detallado del documento "Satellite to Street: Disaster Impact Estimator" en español:

Resumen Técnico: Estimador de Impacto de Desastres de Satélite a Calle

1. Planteamiento del Problema

La evaluación post-desastre de daños estructurales es crítica para priorizar la respuesta de emergencia y la asignación de recursos. Sin embargo, los métodos actuales dependen en gran medida de la interpretación manual de imágenes satelitales, un proceso que es:

• Lento y laborioso: Dificulta la escalabilidad durante desastres de gran extensión.
• Subjetivo: Propenso a errores humanos y falta de consistencia.
• Limitado por modelos existentes: Aunque existen modelos de aprendizaje profundo para segmentación semántica y detección de cambios, muchos luchan para capturar variaciones estructurales sutiles y fallan en conjuntos de datos desequilibrados (donde los edificios no dañados dominan sobre los destruidos). Además, la mayoría clasifica el daño en categorías amplias (dañado/no dañado) en lugar de ofrecer una evaluación de severidad granular.

2. Metodología

El sistema propuesto, "Satellite to Street: Disaster Impact Estimator", es un marco de trabajo de aprendizaje profundo diseñado para generar mapas de daños a nivel de píxel analizando pares de imágenes satelitales pre y post-desastre.

• Arquitectura del Modelo:

  • Se basa en una arquitectura U-Net modificada de doble entrada.
  • Entrada: El modelo acepta 6 canales (3 canales RGB de la imagen pre-desastre + 3 canales RGB de la imagen post-desastre), permitiendo que la red aprenda características conscientes del cambio al procesar ambas imágenes simultáneamente.
  • Codificador (Encoder): Utiliza bloques DoubleConv (dos convoluciones consecutivas con normalización por lotes y activación ReLU) con un tamaño de características de [64, 128, 256, 512]. Se emplea un codificador SE-ResNeXt50 en lugar de un ResNet-50 estándar, incorporando mecanismos de atención "Squeeze-and-Excitation" y convoluciones agrupadas para capturar mejor los cambios estructurales finos.
  • Decodificador (Decoder): Utiliza capas ConvTranspose2d para el aumento de muestreo (upsampling) y conexiones de salto (skip connections) para preservar detalles espaciales y recuperar estructuras finas como bordes y edificios pequeños.
  • Salida: Un mapa de segmentación con múltiples clases (0: sin daño, 1: daño menor, 2: daño mayor, 3: destruido).

• Procesamiento de Datos:

  • Dataset: Se utilizó el conjunto de datos xView2, que contiene imágenes satelitales de alta resolución (1024x1024) y anotaciones JSON.
  • Preprocesamiento: Las imágenes se redimensionan a 256x256 píxeles usando interpolación LANCZOS para minimizar distorsiones, se normalizan a [0, 1] y se convierten a RGB.
  • Generación de Máscaras: Las anotaciones poligonales se convierten en máscaras de segmentación de un solo canal, mapeando cada categoría de daño a un valor entero único.
  • Función de Pérdida: Se implementa una función de pérdida ponderada consciente de la clase (class-aware weighted loss) para mitigar el desequilibrio severo entre las clases de "sin daño" y las clases de daño severo/destrucción.

• Entrenamiento y Evaluación:

  • Implementado en PyTorch con un enfoque de división 70-30 (entrenamiento-prueba).
  • Métricas clave: Precisión de píxeles, Dice Score (por clase y general) e IoU (Intersección sobre Unión).

3. Contribuciones Clave

1. Evaluación de Daños Granular: A diferencia de los modelos binarios, el sistema distingue cuatro niveles de severidad: sin daño, daño menor, daño mayor y destruido. Esto proporciona información más accionable para los equipos de respuesta.
2. Arquitectura Híbrida de Doble Entrada: La fusión de características de imágenes pre y post-desastre en una sola red permite detectar cambios sutiles que los modelos de imagen única o de detección de cambios básicos pasan por alto.
3. Manejo del Desequilibrio de Clases: El uso de una función de pérdida ponderada y un codificador con atención (SE-ResNeXt50) mejora significativamente la detección de estructuras críticas y destruidas, que son minoritarias en los datos.
4. Pipeline Completo: El proyecto integra desde la preparación de datos, desarrollo del modelo, hasta la implementación en una interfaz web, demostrando la viabilidad práctica de la detección remota impulsada por IA.

4. Resultados

Los experimentos realizados en el conjunto de datos xView2 demostraron que el marco propuesto supera a los modelos de referencia (baselines):

• Métricas de Rendimiento:
  • IoU Promedio (mIoU): 0.74 (vs. 0.69 de U-Net con ResNet-50).
  • Dice Score Promedio: 0.81 (vs. 0.76 de la referencia).
  • Desempeño por Clase: El modelo logró un Dice Score de 0.83 para la clase "Destruído" y 0.72 para "Daño Mayor", demostrando su capacidad para identificar eventos críticos a pesar del desequilibrio de datos.
• Análisis Cualitativo: Los mapas de daños generados muestran una alta precisión en la localización de colapsos estructurales, desplazamiento de techos y escombros. El sistema logra diferenciar entre alteraciones superficiales menores y destrucción total, algo que los modelos tradicionales a menudo confunden.
• Comparativa: Superó a las redes U-Net estándar y métodos simples de detección de cambios, reduciendo los falsos positivos y mejorando la localización de áreas severamente dañadas.

5. Significado e Impacto

Este trabajo representa un avance significativo en la gestión de desastres al ofrecer una herramienta que apoya, no reemplaza, el juicio humano experto.

• Velocidad y Escalabilidad: Permite una evaluación rápida y consistente de grandes áreas afectadas, reduciendo el tiempo de respuesta crítica.
• Toma de Decisiones Informada: Al proporcionar una clasificación detallada de la severidad, ayuda a las organizaciones humanitarias y gubernamentales a priorizar rutas de rescate, estimar pérdidas y asignar recursos de manera más eficiente.
• Futuro: El sistema sienta las bases para futuras integraciones con imágenes de drones (para una perspectiva a nivel de calle), datos SAR (para condiciones climáticas adversas) y arquitecturas basadas en transformadores, evolucionando hacia una plataforma integral de análisis de desastres.

En conclusión, el proyecto demuestra que la combinación de imágenes satelitales duales, arquitecturas de atención avanzadas y estrategias de entrenamiento específicas para el desequilibrio de clases puede transformar la evaluación de daños post-desastre, pasando de una inspección manual lenta a un análisis automatizado, preciso y detallado.