最近几年的科学研究表明，在单次20分钟的无人机飞行期间所捕捉到的空中图像可能需要花费半天以上的时间去分析。早些时候为了应对“帕姆”飓风，我们在世界银行的人道主义无人机任务中飞行了几十次。我们捕捉到的图像足以让一位专家分析师专心致志工作至少20个全职工作日才能搞清楚。换句话说，航空影像已经成为一个大数据问题。因此，我和我的团队正在使用人类计算(众包)、机器计算(人工智能)和计算机视觉来理解这一新的大数据源。
例如，一些重庆大数据公司与南安普顿大学和EPFL合作，从航空影像中分析了飓风“帕姆”在瓦努阿图(西南太平洋岛国)中所造成的破坏。这项研究的目的是为了能够得到及时的响应解答。救援组织想要的不仅仅是受灾地区的高分辨率航拍图像，他们需要的是答案;例如，受损建筑物的数量和位置，流离失所的人们的数量和位置，以及还有哪些道路仍然可用来运送救援物资等。简单地给他们图像是远远不够的。正如我在新书《数字人道主义者》中所表明的观点那样，援助和发展组织已经被灾前灾后产生的拥有巨大体量和迅猛速度的大数据所淹没。再加上另一个数据源“空中大数据”可能是毫无意义的，因为这些组织可能根本没有时间和能力来理解这些新数据，更不用说将结果与其他数据集成在一起了。我们分析了部署用来跟踪飓风帕姆的MicroMappers平台的众包结果，以确定这些数据是否可以用来训练未来能在瓦努阿图遭受灾难的过程中自动检测灾难损害的算法。在整个MicroMappers的部署期间，数字志愿者分析了3000多张高分辨率的倾斜航空图像，追踪那些可能被完全摧毁、部分受损、基本完好的房屋。我和同事Ferda Ofli与Nicolas Rey(暑期和我们共事的EPFL研究生)合作，探索这些痕迹是否可以用来训练我们的算法。下面的结果则出自Ferda和Nicolas之手。我们的研究不仅仅是一项学术活动。瓦努阿图是世界上最易受灾的国家。此外厄尔尼诺现象(El Niño)可能是半个世纪以来最强的一次。
根据众包结果，1145幅高分辨率图像中没有包含任何建筑物。以上是一个简单的直方图，描述每幅图中建筑物的数量。瓦努阿图的航拍图像是非常不均匀的，不仅在它们展示的特征多样性上有所不同，而且在视角和拍摄的高度也各不相同。虽然绝大多数的图像是倾斜的，有些图像几乎是最低点图片，有些则非常接近地面，甚至是在起飞之前拍的。
我们的图像数据集的异质性使得这种图像的自动分析更加困难。此外，我们数据集中还存在很多尚在施工中的建筑物，因为它们看起来很像损坏的建筑物，所以识别起来也是一个大难题。我们的第一项任务是训练算法，以确定任意给定的航空图像中是否显示了某种建筑物。这是一个重要的任务，因为在我们的数据集中超过30%的图像不包含建筑物。因此，如果我们能够开发出一种精确的算法来自动过滤掉这些无关的图像(比如下面的“噪音”)，这样我们就能集中心力于处理相关图像的众包分析。
迄今为止虽然我们的研究结果还处于初级阶段，但我们已经对所发现的东西感到欣慰了。我们训练用来确定一幅空中图像中是否包括建筑物的算法已经达到90%以上的精度了。更确切地说，我们的算法能够识别和过滤掉60%不包含任何建筑物(召回率)的图像，而且只有10%包含建筑物的图像被错误地丢弃(精确率为90%)。下面就是举例。毫无疑问现在仍然存在很多的重大挑战，所以我们希望在现阶段不做出过分承诺。在接下来的步骤中，我们将探索我们的计算机视觉算法是否能够区分遭到破坏或者保存完好的建筑物。
我们之前在瓦努阿图使用的无人机还需要我们操作着陆才能获得采集到的图像。现在越来越多的新型无人机提供了实时地将航拍图像和视频传送回基地的功能。例如，大疆推出的“精灵”系列新品Phantom 3无人机(见下图)就允许用户将航空视频直接发送到YouTube进行直播(假设有连接)。毫无疑问，这是无人机工业的发展方向：实时数据收集和分析。在人道主义应用中的搜索和救援等方面，实时进行数据分析是更上一层楼的。
