Assessment of post-wildfire damages to human structures is a manual task which currently uses ground-level observations of the structures by a human inspector to classify the burn severity of the affected structure. This study investigated the potential of using machine learning and specifically computer vision techniques in order to produce a classification of burn severity using post-wildfire aerial imagery. Specifically, a convolutional neural network model was trained on post-wildfire aerial imagery of affected human structures, and learned to classify their burn severity. The dataset used also suffered from a class-imbalance problem, meaning that the ratio of the different burn severity classes was skewed. Resampling techniques were studied as a method of improving performance given the class imbalance problem.

The study showed that convolutional neural networks were able to provide valuable classifications of the affected structures given post-wildfire aerial imagery. However, the results of the study showed that resampling using random oversampling did not provide an increase in model performance, and in fact lead to a worse performance when compared to a model trained on the same dataset without resampling.

Bedömning av brandskador av mänskliga strukturer efter skogsbränder är en manuell uppgift som för närvarande använder observationer på marknivå av strukturerna med hjälp av en mänsklig inspektör för att klassificera bränskadorna av de drabbade strukturerna. Denna studie undersökte potentialen att använda maskininlärning och specifikt datasyntekniker för att producera en klassificering av bränskadorna med hjälp av flygfoton efter skogsbranden. Specifikt en "convolutional neural networktränad på flygfotografering av de drabbade mänskliga strukturerna och lärde sig klassificera deras brännskador. Datasetet som användes lider också av ett problem med obalans av klasser, vilket betyder distributionen mellan de olika bränningsgradsklasserna var skevt. Resamplingstekniker studerades som ett sätt att bekämpa obalansproblemet i datasetet.

Studien visade att "convolutional neural networks" kunde ge värdefulla klassificeringar av de drabbade strukturerna. Men resultaten av studien visade dock att resampling med slumpmässig översampling gav ingen ökning av modellprestanda, och ledde faktiskt till en sämre prestation jämfört med samma modell tränad på samma dataset utan resampling.