AI4DRR: Inteligência Artificial para a Redução do Risco de Catástrofes
AI4DRR — Inteligência Artificial para a Redução do Risco de Catástrofes foi um projeto exploratório FCT da Universidade Fernando Pessoa (UFP). Construiu uma plataforma protótipo que utiliza inteligência artificial para criar, automaticamente, os modelos de exposição de que a avaliação de risco necessita: uma descrição digital de cada edifício e das suas características estruturais.
Como funciona
- Implantação — cada edifício é identificado no OpenStreetMap;
- Imagens — a API do Google Street View recolhe fotografias de cada edifício a partir de diferentes ângulos;
- Estrutura — um modelo de deep learning estima os atributos estruturais mais prováveis a partir dessas imagens, treinado numa nova base de dados de fotografias de edifícios com atributos conhecidos;
- Ativo digital — uma rede neuronal artificial combina a implantação, os atributos estimados e a altura do edifício obtida a partir de imagens de satélite numa representação digital de cada ativo.
A plataforma foi testada numa freguesia de Lisboa, onde dados de referência (ground truth) permitiram medir a sua exatidão. A abordagem consegue classificar o ambiente construído de grandes regiões e, assim, apoiar a avaliação de risco para muitos tipos de perigo. O projeto contou com o apoio da Humanitarian OpenStreetMap Team e do grupo de IA do SimCenter, na Califórnia.
Equipa
O projeto foi coordenado pelo Prof. Vítor Silva. A equipa de investigação:
- Prof. Vítor Silva, UFP — investigador responsável
- Prof. Feliz Gouveia, UFP
- Prof. Rui Silva Moreira, UFP
- Prof. José Torres, UFP
- Prof. Luís Paulo Reis, LIACC / Universidade do Porto
- Jorge Lopes, estudante de mestrado, UFP
- Muhammad Umar, estudante de mestrado, UFP
Colaboradores: Romain Sousa, Maria João Guerreiro, Ivo Pereira e os estudantes de licenciatura Nuno Moutinho e Daniel Moreira.
Resultados
- Feliz Gouveia, Vítor Silva, Jorge Lopes, Rui S. Moreira, José M. Torres, Maria Simas Guerreiro. Automated identification of building features with deep learning for risk analysis. Discover Applied Sciences 6(9), 2024. doi.org/10.1007/s42452-024-06070-2
- Vítor Silva, Romain Sousa, Feliz Gouveia, Jorge Lopes, Maria João Guerreiro. A Building Imagery Database for the Calibration of Machine Learning Algorithms. Earthquake Spectra, 2024. doi.org/10.1177/87552930241229103
- Jorge Lopes, Feliz Gouveia, Vítor Silva, Rui Moreira, José Torres, Maria Guerreiro, Luís Paulo Reis. Using Deep Learning for Building Stock Classification in Seismic Risk Analysis. EPIA 2023, Faial, Açores, 5–8 de setembro de 2023. doi.org/10.1007/978-3-031-49011-8_41
- Vítor Silva, Jorge Lopes, Feliz Gouveia, Romain Sousa. Exposure Modelling through Machine Learning for Multi-Hazard Risk Assessment. ICASP14, Dublin, Irlanda, 9–13 de julho de 2023. Artigo (PDF)
- Conjunto de dados de fachadas de edifícios: GitHub e Zenodo.
- Apresentações no seminário de investigação da UFP (vídeo), Sibiu Innovation Days 2023, Conferência Portuguesa de Engenharia de Estruturas e Sismologia de 2022 (SÍSMICA 2022) e Semana da Ciência & Tecnologia da UFP 2023.
Financiamento
Projeto de investigação exploratória EXPL/ECI-EGC/1555/2021, financiado por fundos nacionais através da FCT — Fundação para a Ciência e a Tecnologia, I.P. Decorreu de novembro de 2021 a novembro de 2023. DOI: 10.54499/EXPL/ECI-EGC/1555/2021.