使用地理空间技术绘制飓风响应地图

现在，研究人员利用卫星数据和人工智能开发出了一种方法，可以精确定位飓风过后人们可能被困的地点，并在监测整个州等广阔区域的同时迅速为他们提供救援。

飓风灾害前后的地图绘制

利用特定风暴前后的图像和传感器数据，研究人员可以使用现有的公共卫星系统以 30 米的分辨率比较广阔区域。

将暴风雨前特定区域的图像与暴风雨后图像进行比较，并通过一种称为随机连续变化检测 (S-CCD) 的算法区分异常，有助于检测看起来有明显差异的区域这样就可以对某个区域进行递归监测，并可以在地图和干扰显示上更新卫星图像的时间动态。发现的异常包括水或沙子被移位或被输送到某个区域，这很可能在大型飓风期间发生。

使用卫星图像和算法检测变化

还可以发现损坏情况，例如屋顶被掀翻或暴风雨后街区外观发生变化。此类损坏会影响图像反射率，记录从一个图像场景到另一个图像场景的变化。此外，还会记录这种变化的强度，强度的重大变化也会在地图上记录为受影响区域。

总之，如果某个区域看起来明显不同，那么在显示地图上它将显示为存在损坏的变化区域。

飓风过后受损区域的识别准确率为 86%

总体而言，通过测试该算法识别受损区域或外观明显不同的区域，结果显示飓风伊恩受影响区域的 86% 已被识别。

使用近实时卫星图像绘制飓风破坏情况

目前，该系统已使用来自Landsat 8和 Landsat 9 以及 Sentinel 2A 和 2B 的数据。

这种方法的主要缺点是依赖这些卫星，这意味着数据要到事件发生几天后才会发布。不过，研究人员现在正尝试与相关部门和卫星公司合作，利用近乎实时的卫星数据开发这种方法。

与使用无人机或其他获取的图像相比，这种方法的优势在于覆盖范围非常广，这使得飓风等重大灾难更容易得到报道。从理论上讲，救援队可以前往那些似乎受到风暴严重破坏的地方，从而更好地锁定搜救目标。

连续监测L和扰动(COLD) 算法

本研究使用的算法基于先前的土地扰动建模，使用连续监测L和扰动(COLD) 算法。该技术还可用于查找受干扰区域，而无需依赖训练数据。

这种方法的遗漏误差小于 30%，这意味着从一个场景到另一个场景，受干扰的区域很可能被检测到。然而，主要的区别在于 S-CCD 方法是一种更快的技术，速度约为 COLD 的 4.4 倍，这使得能够更快地覆盖更大的场景。

如果时间对于救援队来说是一个重要变量，那么 S-CCD 可能会带来一些优势。

这两种技术也都使用多个光谱带，并依靠反射率数据来了解土地覆盖变化。这些技术还可用于对与风暴无关的土地利用变化和干扰进行一般监测；这两种方法都表明，它们可用于在风暴后向当局发出严重受损地区的警报。

基于对象的干扰源分类方法( ODACA )

另一种类似的算法是基于对象的干扰源分类方法( ODACA)算法，该算法的准确率接近 99%；然而，该算法主要用于监测与农业相关的土地利用、火灾和水文变化，而不是飓风或风暴灾害。 COLD、ODACA 和 S-CCD 算法尚未在飓风响应中得到当局的测试。到目前为止，它们已被用作研究示范或飓风或救灾以外的领域。理想情况下，如果要使用这些算法进行快速救援，可以近乎实时地使用专用卫星来监测区域内天气相关的破坏情况。这将需要当局、卫星提供商和救援官员之间在未来进行密切协调，这些救援人员都受过训练，能够使用和解读这些识别陆地扰动的算法。