把机器算法应用于修建“韧性”住房

机器学习算法能够很好地回答“是”或“不是”类问题。举例说，它们能够扫描庞大的数据集，而且能够准确地把以下问题的答案告知我们：这笔信用卡交易有欺诈嫌疑吗？这张图片中有只猫吗？

它们不仅能够应对简单问题，还能够应对微妙、复杂的问题。

当前，机器学习算法能够比受训过的人眼更可靠地探测出100多种癌症肿瘤。鉴于这一惊人的准确性，我们开始思忖：机器学习能够告诉我们人们住在何处吗？ 在以令人窒息的速度扩展且受到自然灾害威胁的城市，机器学习能够提醒我们一户人家的屋墙有可能在地震中坍塌或屋顶有可能被飓风刮走吗？

我们的惯常做法是，我们在灾后迅速采取行动，避免在灾前对缓解措施进行投资。正如著名外科医生Denis P. Burkitt曾说：“如果不断有人掉下悬崖，我们有两种选项：一是在悬崖下放置救护车，二是在悬崖上修建护栏。”如今，有了机器学习的帮助，我们就能更好地在悬崖上修建护栏了。

据测算，在缓解措施上每花1美元，即可在灾后恢复和重建工作上节省4美元。不过，尽管开支节省量较大，但政府仍宁愿安排救护车，也不愿修建护栏。1991年至2010年间，全球灾害相关支出（3.3万亿美元）中，仅有一小部分（12.7%）被专用于风险缓解，绝大部分（87.3%）被用于应急响应、重建和恢复工作。用于受损房屋的支出占此类支出的很大一部分。

从工程学角度看，加固此类房屋所需的预防措施已然很成熟。诸如增设不间断圈梁、增建室内隔断墙、楼层间增设钢筋混凝土板等简单解决方案，能够使房屋坍塌的风险降低50%。既然如此，这些方案为何没有被采用呢？
过去，仅找出需要开展此类改造的房屋就需耗时数月，还需动用几十名勘测人员。通过人工方式在数量日益庞大的不合格住房中找出此类高危建筑是一项耗资巨大的工作。

如今，有了影像和机器学习，这项工作在短短几周内即可做完。使用车载摄像机、无人机、笔记本电脑以及先进技法，我们就有可能量出每幢建筑的高度，估测屋顶所用的材料，收集该建筑外观的信息。这一做法可对小区进行“扫描”，之后形成内容丰富、详实的数据库，后者可用于各类高危房屋。
以地震为例……

尼泊尔戈尔卡地区发生7.6级地震后，重建和恢复工作估计需耗资66.95亿美元，其中约半数用于住房修复或重建（32.78亿美元）。如果我们在震前找出这些建筑并对其进行改造，情况又会如何呢？

在危地马拉城，影像和技法被用于确定“软楼层”建筑，即两层楼以上高、楼层结构薄弱的建筑。在扫描4967套住宅后，电脑发现了503套可能存在“软楼层”的住宅，准确率达85%。与医生用机器学习技法检测癌症类似，结构工程师可依靠机器学习技法确定可能存在“软楼层”并且需要进一步检查的住宅。
 

以飓风为例……

去年飓风“玛利亚”袭击多米尼加后，该国90%的住房都遭损毁，维修和重建这些住房估计需要5.1975亿美元（占灾后恢复重建总预算38%）。这笔资金相当于 该国GDP的89%。然而，如果我们在飓风袭来之前就知晓哪些住宅楼有可能需要额外加固及其重置价值，情况又会如何呢？

为证明怎样做才能轻易避免此类费用，我们在飓风频发的圣卢西亚使用了无人机和机器学习器具。之后，我们把采用地球空间技术绘制的住宅楼名录用于测算五类飓风可能造成的住房损害和损失。该名录涉及1万幢住宅楼，包括其形状、使用的材料以及楼顶状况。通过自动生成户级信息，政府部门、房主以及私营部门可获得其决策所需的本底信息。

这种方法的应用超越了灾害风险缓解范畴。在哥伦比亚首都波哥大，研究人员构建了一个模型，用于建立机器学习取得的成果与房产价值的联系，测量1.5万多幢住宅楼的垂直高度。用人口普查和土地确权信息覆盖此类房屋信息，我们就可估算移民安置、住宅楼改造或调整等方面的需求。
 

利用机器学习的优势还可有助于开展灾后损失和需求评估。我们如能纪录每幢建筑的高度、所用材料和形状，就能在灾后回到该建筑所在地，用类似传感器纪录该建筑的变化，如瓦砾量或屋顶被震塌或刮走的房屋数量。

最后，机器学习技法能够告诉我们某建筑的用途，如被用于商业活动，而不仅仅被用于居住。在危地马拉，我们开发出了一种可识别当地社区企业徽标的技法。

训练有素的算法已然在引发教育、工业、零售以及医疗卫生等行业的变革。我们是时候开始系统地把机器学习的威力用于住房项目了。世界银行 全球“韧性”住房项目已开始把复杂技法和简单施工设计方案结合起来，目的是使住房更安全、更能抵御自然灾害和气候变化。

我们的终极目标是帮助发展中国家城市和社区不仅重建得更好，而且“在下个灾害到来之前建设得更好”。