evidoria

← Voltar à navegação

Boa prática Importada

A Avaliação de Danos em Edifícios com IA da AFAD — Como o AI for Good Lab da Microsoft Mapeou a Destruição do Sismo de 2023 a Partir de Imagens de Satélite

Turquia · Kahramanmaraş · Ver o perfil de Turquia

Evidência: Observacional / pré-pós Top 25% 73/100 · Pergunte a Evidence Copilot sobre esta prática

Nos três dias seguintes aos sismos de 2023 em Kahramanmaraş, o AI for Good Lab da Microsoft identificou por satélite 3.849 edifícios danificados, para a AFAD, o Banco Mundial, a IFRC e o PAM — colaboração pontual, não capacidade institucionalizada da AFAD.

3,849
Edifícios assinalados como danificados/destruídos (Feb 2023 (3-day assessment))
7.44 %
Edifícios visíveis danificados em Kahramanmaraş (Feb 2023)
>0.99
AUC académica independente para deteção de edifícios colapsados (post-2023 academic study)
A Avaliação de Danos em Edifícios com IA da AFAD — Como o AI for Good Lab da Microsoft Mapeou a Destruição do Sismo de 2023 a Partir de Imagens de Satélite

Detalhes

Maturidade
Piloto
Promotor
Türkiye Disaster and Emergency Management Presidency (AFAD), Ministry of Interior, with Microsoft AI for Good Lab
Período
February 2023 (3-day rapid assessment)
Palavras-chave
disaster response, remote sensing, emergency management, computer vision

Contexto

Dois sismos (magnitude 7,8 e 7,7) atingiram o centro-sul da Turquia a 6 de fevereiro de 2023, matando mais de 40.000 pessoas e devastando cidades como Kahramanmaraş, Gaziantep, Hatay e Adıyaman. Os levantamentos no terreno numa zona de catástrofe desta dimensão demoram dias a semanas, mas as equipas de busca e salvamento e as agências de ajuda precisavam de saber rapidamente que edifícios tinham colapsado.

Atividades

O AI for Good Lab da Microsoft trabalhou com a Presidência de Gestão de Desastres e Emergências da Turquia (AFAD), sob o Ministério do Interior, para aplicar modelos de aprendizagem profunda a imagens de satélite anteriores e posteriores ao sismo, da Planet Labs (resolução de 50 cm) e da Maxar Technologies (resolução de 30 cm), cobrindo os primeiros três dias após a catástrofe.

Resultados

Os modelos assinalaram 3.849 edifícios danificados ou destruídos em quatro das cidades mais atingidas, com Kahramanmaraş a registar 7,44% dos edifícios visíveis danificados. As estimativas foram partilhadas com as próprias equipas de resposta da AFAD, bem como com o Banco Mundial, a Federação Internacional das Sociedades da Cruz Vermelha e do Crescente Vermelho, e o Programa Alimentar Mundial, para ajudar a direcionar a ajuda. Equipas académicas independentes aplicaram posteriormente abordagens comparáveis de aprendizagem profunda à mesma sequência sísmica e, comparando com levantamentos de referência no terreno, reportaram pontuações de precisão AUC superiores a 0,99 na deteção de edifícios colapsados em algumas áreas de estudo.

Conclusões

Tratou-se de uma colaboração rápida e pontual entre um laboratório privado de IA e uma agência governamental de gestão de catástrofes para um único evento, e não de um sistema que a AFAD possua, opere ou tenha incorporado na sua doutrina permanente de gestão de emergências. Não há evidência pública de que a Turquia tenha desde então adotado a avaliação de danos por IA baseada em satélite como uma capacidade institucionalizada e rotineira.

Implementação
Custo indicativo
Baixo (< 50 mil €) — No cost figures are disclosed; the assessment relied on existing commercial satellite-imagery subscriptions and Microsoft's own AI for Good Lab resources provided as a pro-bono crisis response rather than a funded government programme.
Tempo até resultados
Curto (< 1 ano) — Time-boxed to the first three days after the 6 February 2023 earthquakes; no evidence of continued or repeated use since.
Equipa e competências
Microsoft AI for Good Lab (model development and imagery analysis), AFAD, Türkiye Disaster and Emergency Management Presidency (response-team recipient)

Condições de sucesso

  • Rapid access to pre- and post-event high-resolution commercial satellite imagery (Planet Labs, Maxar)
  • Pre-existing relationship between Microsoft AI for Good Lab and a government disaster agency enabling fast collaboration
  • Public methodology report and open-sourced toolkit enabling external review and reuse

Modos de falha comuns

  • One-off crisis collaboration rather than an institutionalised AFAD capability — no public evidence of routine adoption since 2023
  • Detections used for response decisions were not independently ground-truthed by AFAD at the time
  • System was designed, hosted and run by Microsoft with no disclosed AFAD-side oversight or audit framework

Onde se enquadra

Tipo de governação
private AI lab collaborating ad hoc with a national disaster agency
Escala
four cities
Nível de rendimento
upper-middle-income

Kit de replicação

Artefactos reutilizáveis desta prática — tal como publicados pelas suas fontes.

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Anexos

Práticas semelhantes que podem ser úteis