1.实施例涉及一种对灾害损失区域的损失规模进行评估的方法以及装置。尤其涉及一种可以使用灾害周边区域的特征对灾害损失区域进行识别，并针对所识别出的损失区域的损失规模以及补偿规模进行评估的方法以及装置。
背景技术：
：：2.在发生如自然灾害等灾害损失时，可能需要投入大量人力对灾害损失进行识别。此外，在需要准确地对灾害损失规模进行调查以及计算时，单凭人力可能难以掌握所有信息。3.考虑到如上所述的问题，发展出了一些通过使用无人机或卫星等获取灾害损失地区的航拍影像并对其进行分析而获取灾害损失信息的技术。但是，即使是在使用无人机或卫星等获取灾害损失区域的航拍影像，仅通过影像识别灾害损失仍然会受到一定的限制。尤其是，灾害损失影像作为航拍影像，并不能体现出与灾害损失相关的细节信息，只能体现出与灾害损失相关的大致状况，因此在对具体的灾害损失信息时也会受到一定的限制。考虑到如上所述的问题，接下来将对通过航拍影像对灾害损失趋于乃至灾害周边区域的特征进行分析，进而以人工智能(artificialintelligence，ai)为基础对于灾害周边区域的特征相关的追加信息进行分析，从而对灾害损失区域进行识别的方法进行说明。4.此外，还可能需要在推导出灾害损失区域之后在考虑损失区域的特性的情况下决定损失规模以及补偿规模的方法，接下来将对其进行说明。5.先行技术文献6.专利文献7.(专利文献1)韩国注册专利第10-2203135号技术实现要素：8.本说明书涉及一种使用灾害周边区域特征对灾害损失区域进行识别的方法以及装置。9.本说明书可以提供一种从灾害周边区域提取出特征信息并同时使用所提取出的特征信息以及周边损失区域信息对灾害损失区域进行识别的方法以及装置。10.本说明书可以提供一种以灾害损失区域信息以及从灾害周边区域提取出的特征信息为基础进行学习并借此对灾害损失区域进行识别的方法以及装置。11.本说明书涉及一种通过输入灾害损失区域图像而输出灾害损失区域的范围以及灾害损失类型的方法以及装置。12.本说明书涉及一种在考虑灾害损失区域的特性的情况下对灾害损失区域的损失规模以及补偿规模进行评估的方法以及装置。13.本说明书涉及一种在考虑灾害损失区域的特性、附加数据以及相关图像的情况下对灾害损失区域的补偿规模进行评估的方法以及装置。14.本说明书拟解决的课题并不限定于如上所述的课题，而是可以被扩展到可通过下述说明的本发明的实施例推导出的各种项目。15.在本说明书的一实施例中，可以提供一种对灾害损失区域的损失规模进行评估的服务器的工作方法。此时，服务器的工作方法可以包括：获取至少一个以上的第一灾害图像的步骤；从至少一个以上的第一灾害图像分别推导出损失区域，并以所推导出的损失区域为基础通过贴标获取损失区域相关信息的步骤；使用至少一个以上的第一灾害图像以及损失区域相关信息学习第一学习模型的步骤；以及，以所述第一学习模型为基础在灾害图像中对损失区域的损失规模信息进行评估的步骤。16.此外，在本说明书的一实施例中，可以提供一种对灾害损失区域的损失规模进行评估的服务器。此时，服务器可以包括：收发信部，用于与外部设备进行通信；以及，处理器，用于对所述收发信部进行控制；处理器可以获取至少一个以上的第一灾害图像，从至少一个以上的第一灾害图像分别推导出损失区域，以所推导出的损失区域为基础通过贴标获取损失区域相关信息，并使用至少一个以上的第一灾害图像以及所述损失区域相关信息学习第一学习模型，进而以第一学习模型为基础在灾害图像中对损失区域的损失规模信息进行评估。17.此外，下述项目可以同时适用于对灾害损失区域的损失规模进行评估的服务器以及服务器的工作方法。18.此外，在本说明书的一实施例中，还可以包括：从外部设备获取第二灾害图像的步骤；从第二灾害图像推导出损失区域以及周边区域，并以所推导出的损失区域以及周边区域为基础通过贴标获取多个灾害相关信息的步骤；分别向所获取到的多个灾害相关信息赋予加权值的步骤；将第二灾害图像以及多个灾害相关信息输入到所学习的第一学习模型的步骤；以及，以第一学习模型为基础，输出灾害损失区域确认信息以及灾害损失类型信息的步骤。19.此外，在本说明书的一实施例中，第二灾害图像可以被输入到第二学习模型，第二学习模型可以推导出第二灾害图像的损失区域以及周边区域，并以所推导出的第二损失区域以及周边区域为基础通过贴标提供多个灾害相关信息作为输出信息。20.此外，在本说明书的一实施例中，还可以包括：获取灾害损失区域用途信息的步骤；以灾害损失区域确认信息、灾害损失类型信息以及灾害损失区域用途信息为基础对灾害损失区域的面积、灾害损失区域的类型以及灾害损失区域的用途进行确认的步骤；以所确认的灾害损失区域的面积、灾害损失区域的类型以及灾害损失区域的用途为基础推导出灾害损失区域特性信息的步骤；以及，以所推导出的灾害损失区域特性信息为基础对损失规模信息进行确认的步骤。21.此外，在本说明书的一实施例中，还可以包括：获取与灾害损失区域相关的至少一个第三灾害图像以及与灾害损失区域相关的至少一个外部数据的步骤；损失规模信息可以以进一步反映至少一个第三灾害图像以及至少一个外部数据的方式进行确认。22.此外，在本说明书的一实施例中，可以分别为灾害损失区域特性信息、至少一个第三灾害图像以及至少一个外部数据赋予加权值，并以反映所赋予的加权值的方式对损失规模信息进行确认。23.此外，在本说明书的一实施例中，可以提供灾害损失区域特性信息、至少一个第三灾害图像以及至少某一个外部数据作为第三学习模型的输入数据，第三学习模型可以以输入数据为基础推导出损失规模信息作为输出数据。24.此外，在本说明书的一实施例中，可以将损失规模信息作为反馈信息提供至第三学习模型，第三学习模型可以以损失规模信息为基础进行更新。25.此外，在本说明书的一实施例中，在提供外部数据作为第三学习模型的输入数据的情况下，可以在为外部数据赋予加权值之后作为第三学习模型的输入数据提供，服务器可以从灾害统计数据库获取外部数据。26.此外，在本说明书的一实施例中，在服务器从灾害统计数据库获取外部数据的情况下，可以以所述至少某一个第一灾害图像为基础确认灾害类型种类，并从灾害统计数据库提取出与灾害类型种类对应的至少某一个以上的信息作为外部数据获取，至少某一个以上的信息可以包括损失规模信息、损失频率信息、损失金额信息、死亡人数信息、损失原因信息以及过失相关信息中的至少某一个以上。27.本说明书可以提供一种使用灾害周边区域特征对灾害损失区域进行识别的方法。28.本说明书可以从灾害周边区域提取出特征信息并同时使用所提取出的特征信息以及周边损失区域信息对灾害损失区域进行识别。29.本说明书可以以灾害损失区域信息以及从灾害周边区域提取出的特征信息为基础进行学习并借此对灾害损失区域进行识别。30.本说明书可以通过输入灾害损失区域图像而输出灾害损失区域的范围以及灾害损失类型。31.本说明书可以在考虑灾害损失区域的特性的情况下对灾害损失区域的损失规模以及补偿规模进行评估。32.本说明书可以在考虑灾害损失区域的特性、附加数据以及相关图像的情况下对灾害损失区域的补偿规模进行评估。33.本说明书拟解决的课题并不限定于如上所述的课题，而是可以被扩展到可通过下述说明的本发明的实施例推导出的各种项目。附图说明34.图1是对适用本说明书之一实施例的系统的工作环境示例进行图示的示意图。35.图2是用于对本说明书的一实施例中的计算装置200的内部构成进行说明的块图。36.图3a是对在本说明书的一实施例中获取灾害图像的方法进行图示的示意图。37.图3b是对在本说明书的一实施例中获取灾害图像的方法进行图示的示意图。38.图3c是对在本说明书的一实施例中获取灾害图像的方法进行图示的示意图。39.图4是对在本说明书的一实施例中对灾害图像进行贴标的方法进行图示的示意图。40.图5a是对在本说明书的一实施例中识别灾害损失区域以及灾害周边区域的方法进行图示的示意图。41.图5b是对在本说明书的一实施例中识别灾害损失区域以及灾害周边区域的方法进行图示的示意图。42.图5c是对在本说明书的一实施例中识别灾害损失区域以及灾害周边区域的方法进行图示的示意图。43.图6是对在本说明书的一实施例中提取灾害周边区域的特征的方法进行图示的示意图。44.图7a是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。45.图7b是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。46.图8a是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。47.图8b是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。48.图8c是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。49.图9a是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。50.图9b是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。51.图9c是对在本说明书的一实施例中以灾害损失区域为基础确认损失规模的方法进行图示的示意图。52.图10a是对在本说明书的一实施例中以灾害图像为基础构建学习模型的方法进行图示的示意图。53.图10b是对在本说明书的一实施例中以灾害图像为基础构建学习模型的方法进行图示的示意图。54.图11a是对在本说明书的一实施例中以灾害损失区域为基础决定灾害损失规模以及补偿规模的方法进行图示的示意图。55.图11b是对在本说明书的一实施例中以灾害损失区域为基础决定灾害损失规模以及补偿规模的方法进行图示的示意图。56.图12是对在本说明书的一实施例中识别灾害损失区域的方法进行图示的顺序图。具体实施方式57.在对本说明书的实施例进行说明的过程中，当判定对公知构成或功能的具体说明可能会导致本书明书的实施例的要旨变得不清晰时，将省略与其相关的详细说明。此外，在附图中对与本说明书之实施例的相关说明无关的部分进行了省略，而且为类似的部分分配了类似的附图编号。58.在本说明书的实施例中，当记载为某个构成要素与其他构成要素“连接”、“结合”或“接触”时，不仅可以包括直接的连接关系，还可以包括在两者之间有其他构成要素存在的间接的连接关系。此外，当记载为某个构成要素“包括”或“具有”其他构成要素时，除非另有明确的相反记载，否则并不是指排除其他构成要素，而是指还可以包括其他构成要素。59.在本说明书的实施例中，如第一以及第二等术语只是用于将一个构成要素与其他正交频分复用(flash-ofdm)、高速无线宽带和移动宽带无线接入系统(iburstandmbwa(ieee802.20)systems)、高性能城域网规范(hiperman)、波分多址(beam-divisionmultipleaccess，bdma)、全球微波接入互操作性(wi-max，worldinteroperabilityformicrowaveaccess)以及超声波应用通信构成的组中选择的某一个以上的通信方法的通信网络，但是并不限定于此。65.在各种实施例中进行说明的构成要素并不是指必不可少的构成要素，其中的一部分可以是可选配的构成要素。因此，由在实施例中进行说明的构成要素的部分集合构成的实施例也包含在本说明书之实施例的范围之内。此外，在各种实施例中进行说明的构成要素之外还追加包括其他构成要素的实施例也包含在本书明书的实施例的范围之内。66.接下来，将参阅附图对本说明书的实施例进行详细的说明。67.*49图1是对适用本说明书之一实施例的系统的工作环境示例进行图示的示意图。参阅图1，用户设备110以及一个以上的服务器120、130、140通过网络1连接。所述图1只是用于对发明进行说明的一实例，用户设备的数量或服务器的数量并不限定于图1中所图示的内容。68.用户设备110可以是通过计算机系统实现的固定型终端或移动型终端。用户设备110可以是如智能手机(smartphone)、手机、导航、电脑、笔记本电脑、数字广播终端、个人数字助理(pda，personaldigitalassistants)、便携式多媒体播放器(pmp，portablemultimediaplayer)、平板电脑(pc)、游戏机(gameconsole)、可穿戴设备(wearabledevice)、物联网(iot，internetofthings)设备、虚拟现实(vr，virtualreality)设备以及增强现实(ar，augmentedreality)设备等。作为一实施例，实施例中的用户设备110可以是指实质上可通过无线或有线通信方式通过网络1与其他服务器120～140进行通信的各种物理计算机系统中的一个。69.各个服务器可以使用通过网络1与用户设备110进行通信并提供指令、代码、文件、内容以及服务等的计算机装置或多个计算机装置实现。例如，服务器可以是通过网络1向所连接的用户设备110分别提供服务的系统。作为更具体的实例，服务器可以通过安装在用户设备110中并运行的计算机程序即应用软件向用户设备110提供相应的应用软件所需要的服务(例如，信息提供等)。作为另一实例，服务器可以通过向用户设备110分发用于安装以及运行所述应用软件的文件并接收用户的输入信息而提供对应的服务。作为一实例，下述的各个服务器可以以图1的服务器中的某一个为基础工作。服务器可以是通过网络与其他设备、无人机、卫星以及飞机中的至少某一个进行通信并获取数据的主体。此外，接收灾害损失识别信息的终端可以是图1的用户中的一个。作为另一实例，无人机、卫星以及飞机也可以以图1中的网络为基础通过网络与其他终端或服务器进行通信。即，主体之间可以通过网络进行通信，并以交换数据的方式工作，并不限定于如上所述的实施例。70.图2是用于对本说明书的一实施例中的计算装置200的内部构成进行说明的块图。所述计算装置200可以适用于在上述内容中参阅图1进行说明的一个以上的用户设备110-1、110-2或服务器120～140中，而且各个装置以及服务器可以附加或排除一部分构成要素，从而具有相同或类似的内部构成。71.参阅图2，计算装置200可以包括存储器210、处理器220、通信模块230以及收发信部240。存储器210是非易失性计算机可读取的存储介质，可以包括如随机访问存储器(ram，randomaccessmemory)、只读存储器(rom，readonlymemory)、磁盘驱动器、固态驱动器(ssd，solidstatedrive)以及闪速存储器(flashmemory)等永久性大容量存储装置(permanentmassstoragedevice)。其中，如只读存储器(rom)、固态驱动器(ssd)、闪速存储器以及磁盘驱动器等永久性大容量存储装置是不同于存储器210的单独的永久存储装置，也可以包括在所述装置或服务器中。此外，在存储器210中可以存储有操作系统以及至少一个程序代码(例如，安装在用户设备110等中并运行的浏览器，或为了提供特定服务而安装在用户设备110等中的应用软件所需要的代码)。所述软件构成要素可以从与存储器210分离的单独的计算机可读取的存储介质中载入。所述单独的计算机可读取的存储介质，可以包括如软盘、硬盘、磁带、数字多用途光盘(dvd)/只读光盘(cd-rom)驱动器以及存储卡等计算机可读取的存储介质。72.在另一实施例中，软件构成要素可以通过通信模块230载入到存储器210中而非计算机可读取的存储介质。例如，至少一个程序可以以使用由开发人员或分发应用软件安装文件的文件分发系统(例如，所述服务器)通过网络1提供的文件安装的计算机程序(例如，所述应用软件)为基础载入到存储器210中。73.处理器220可以通过执行基本的算术、逻辑以及输入输出运算而对计算机程序的指令进行处理。指令可以由存储器210或通信模块230提供至处理器220中。例如，处理器220可以根据存储在如存储器210等存储装置中的程序代码执行所接收到的指令。74.通信模块230可以通过网络1提供可供用户设备110与服务器120～140相互进行通信的功能，而且还可以提供可供用户设备110和/或服务器120～140分别与其他电子设备进行通信的功能。75.收发信部240可以是用于提供与外部输入/输出装置(未图示)的接口的组件。例如，外部输入装置可以包括如键盘、鼠标、话筒以及摄像头等装置，而外部输出装置可以包括如显示器、扬声器以及触觉反馈设备(hapticfeedbackdevice)等装置。76.作为另一实例，收发信部240也可以是用于提供与如触摸屏等将进行输入以及输出所需要的功能整合在一起的装置的接口的组件。77.此外，在另一实施例中，计算装置200也可以根据所适用的装置的性质包括比图2中的构成要素更多的构成要素。例如，在计算装置200被适用于用户设备110的情况下，可以包括如上所述的输入输出装置中的至少一部分，或者还包括如收发器(transceiver)、全球定位系统(gps，globalpositioningsystem)模块、摄像头、各种传感器以及数据库等其他构成要素。作为更具体的实例，在用户设备为智能手机的情况下，还可以包括智能手机通常包括的如加速度传感器或陀螺仪传感器、摄像头模块、各种物理按钮、使用触摸屏的按钮、输入输出端口以及用于发出振动的振动器等多种构成要素。78.作为一实例，下述内容中的终端、无人机、卫星以及飞机可以是以图2为基础工作的装置。即，在下述内容中进行说明的终端、无人机、卫星以及飞机可以是以图1为基础通过相互之间的网络与服务器连接并进行通信的主体。79.其中，各个主体可以是配备以图2为基础的存储器、处理器、通信模块以及收发信部和其他构成并运行的计算装置，并不限定于特定的计算装置。80.作为一实例，在发生灾害(例如，洪水、火灾、地震、水涝以及塌方等)的情况下，可以使用无人机、卫星以及飞机中的至少某一个获取与灾害发生地区相关的图像或影像。即，无人机、卫星以及飞机中的至少某一个可以对发生灾害的地区进行拍摄，并将所拍摄到的影像传送到服务器中。服务器可以通过所接收到的影像确认灾害损失区域以及灾害损失类型。此时，服务器可以配备灾害识别学习模型，且可以将所接收到的图像(或影像，以下将被记载为图像)作为灾害识别学习模型的输入使用，而作为灾害识别学习模型的输出，可以提供灾害损失区域确认信息以及灾害损失类型信息。作为一实例，服务器可以将灾害损失区域确认信息以及灾害损失类型信息提供至终端或装置，而终端以及装置可以使用所接收到的信息。此外，服务器可以以学习模型为基础从灾害图像中对损失区域的损失规模信息进行评估。81.但是，作为一实例，为了确保灾害识别学习模型可以准确地识别灾害损失区域以及灾害损失类型，可能需要通过大量的数据进行学习。但是，因为灾害并不是随时发生，因此可能会因为与灾害图像相关的数据不足而难以完成学习。此外，作为一实例，在以灾害识别学习模型为基础进行学习的情况下，需要体现出与发生灾害的损失区域以及周边区域相关的特征，借此可以提升损失区域识别的准确度。82.考虑到如上所述的问题，在下述内容中将以作为灾害图像输入航拍图像并输出灾害区域的范围以及灾害损失类型的灾害识别学习模型的进阶方法进行说明。83.其中，作为一实例，灾害图像可以是航拍图像。更具体来讲，参阅图3a，服务器310可以从无人机320获取与灾害区域相关的航拍图像。作为一实例，无人机是一种可以在空中自由移动的小型飞行器，可以以此为基础获得作为灾害图像的航拍图像。此外，服务器310可以是配备有灾害识别学习模型并对灾害损失区域进行识别的装置，但是并不限定于特定的形态。84.作为另一实例，参阅图3b，服务器310可以从卫星330获取与灾害区域相关的航拍图像。作为另一实例，参阅图3c，航拍图像可以是通过飞机330获取的图像。其中，作为一实例，服务器310可以通过图3a至图3c中的至少某一个获取灾害图像，并不限定于特定的形态。此外，服务器310可以通过多个装置获取多个灾害图像，而且可以使用多个灾害图像。此外，作为一实例，服务器310可以从其他装置获取其他形态的灾害图像。作为一实例，服务器310可以作为航拍图像获取对与灾害图像所拍摄的损失区域相同的区域进行拍摄的其他形态的图像。其中，其他形态的图像可以是损失区域的近距离拍摄图像、地图图像、地形图像或其他图像，并不限定于特定的形态。85.即，服务器310可以以图3a至图3c为基础作为灾害图像获取航拍图像，也可以通过其他设备或数据库获取其他形态的图像，并不限定于如上所述的实施例。86.其中，服务器的灾害识别学习模型可以将通过如上所述的方式获取到的至少某一个以上的灾害图像作为输入，推导并提供灾害损失区域确认信息以及灾害损失类型信息作为输出值。87.但是，如上所述，因为灾害并不会随时发生，因此可能并没有足够的可供灾害识别学习模型学习的标准数据。此外，如上所述，只有将国内地形以及其他特征信息体现在灾害识别学习模型，才可以提供与灾害图像相关的准确的输出值。88.考虑到如上所述的问题，灾害识别学习模型可以以多个现有灾害图像为基础提前进行学习。即，灾害识别学习模型可以将现有灾害图像作为标准数据进行学习，从而构建用于识别灾害损失区域的学习模型。89.但是，作为一实例，在仅将灾害图像作为输入进行灾害识别学习模型的学习时，可能没有足够的标准数据，而且其进阶学习可能会比较受限。考虑到如上所述的问题，可以事先对灾害图像进行贴标，并将贴标信息作为灾害识别学习模型的输入使用。作为另一实例，可以从灾害图像中提取出灾害损失区域信息以及灾害周边区域信息，并将与其相关的信息作为灾害识别学习模型的输入使用。90.其中，作为一实例，参阅图4，灾害图像的贴标可以针对灾害图像的灾害损失区域进行。即，可以从灾害图像中推导出灾害损失区域，并以所推导出的损失区域为基础通过贴标生成多个损失相关信息。91.作为一实例，参阅图4，针对灾害图像通过贴标生成的多个损失相关信息，可以包括损失区域信息、损失类型信息、周边部特征信息、损失扩散度信息、灾害当时的气象信息以及其他信息中的至少某一个。92.作为一实例，如上所述，灾害图像可以是与已经结束的灾害相关的图像。即，通过贴标获取的损失相关信息，可以是与已经结束的灾害图像相关的记录信息。服务器可以获取如上所述的灾害图像相关记录信息，并以此为基础对各个灾害图像进行贴标。其中，经过贴标的灾害图像以及贴标信息可以分别作为如上所述的灾害识别学习模型的进阶学习用的输入使用。93.此时，灾害识别学习模型可以将多个灾害图像以及通过贴标获取的损失相关信息作为输入进行学习。在灾害识别学习模型进行学习的过程中，灾害识别学习模型可以将灾害图像与通过贴标获取的损失相关信息进行匹配，并为各个损失相关信息赋予加权值。作为更具体的一实例，灾害识别学习模型可以在多个灾害图像中针对在夏季即30度以上的气温下发生的灾害图像通过贴标确认损失相关信息，并以相应信息为基础推导出与各个灾害相关的共同点以及差异点信息。接下来，灾害识别学习模型可以通过将所推导出的共同点以及差异点信息与各个灾害图像进行匹配的方式进行学习。94.其中，作为一实例，服务器可以在从现有的灾害图像中推导出损失区域并通过执行贴标而生成损失相关信息时使用信息推导学习模型。即，可以配备于灾害识别学习模型不同的其他学习模型。其中，信息推导学习模型可以将各个现有灾害图像作为输入，在各个灾害图像中通过损失区域以及贴标输出损失相关信息。95.接下来，服务器可以将通过信息推导学习模型推导出的损失区域以及损失相关信息与灾害图像一起作为灾害识别学习模型的输入信息使用。灾害识别学习模型可以以如上所述的输入信息为基础，提供灾害损失区域确认信息以及灾害损失类型信息作为输出信息。96.作为另一实例，如上所述，可以从灾害图像推导出损失区域以及损失区域的周边区域，并以此为基础通过贴标获取信息，从而进行灾害识别学习模型的进阶学习。作为一实例，可以从用于灾害识别学习模型的学习的灾害图像中推导出损失区域以及周边区域。此时，可以通过贴标推导出损失区域的损失类型信息(例如，水涝、山体滑坡)以及损失区域周边部特征信息(例如，丘陵、森林、松树、溪谷、桥梁、稻田、人参田)，并将相应信息作为学习数据使用。97.更具体来讲，图5a至图5c是对在本说明书的一实施例中识别灾害损失区域以及灾害周边区域的方法进行图示的示意图。参阅图5a以及图5b，可以从灾害图像推导出损失区域510以及周边区域520。作为一实例，服务器可以通过如上所述的信息推导学习模型推导出损失区域510以及周边区域520、530。作为具体的一实例，在图5a以及图5b中，损失区域510可以是水涝区域，灾害损失类型信息可以是水涝。但是，这只是一实例，也可以是其他灾害损失。此时，作为一实例，服务器可以通过对损失区域510以及周边区域520、530进行贴标推导出各自的特征信息。其中，周边区域520、530可以是多个区域，而各个周边区域520、530可以包括各自的特征信息。作为一实例，第一周边区域520可以是发生水涝的周边的河流，可以通过贴标推导出与第一周边区域520相关的特征信息。其中，与第一周边区域520相关的特征信息可以是作为损失区域510针对水涝生成的信息。即，可以在考虑到水涝与河流的相关性的情况下推导出特征信息。此外，第二周边区域520可以是相邻的道路，与第二周边区域520相关的特征信息也可以是在考虑到与水涝的相关性的情况下生成的信息。以如上所述的内容为基础，不仅是损失区域510，与周边区域520、530相关的特征信息也可以被体现在学习数据中。98.作为一实例，在与河流即第一周边区域520相关的特征信息中，可以作为学习数据包括河流的形态、区域以及河流的方向信息中的至少某一个以上。即，可以作为学习数据包括与第一周边区域520相关的信息。此外，在与河流旁道路即第二周边区域530相关的特征信息中，可以作为学习数据包括第二周边信息530与损失区域510的高度比较信息、地形形态比较信息、铺装状态信息以及其他信息。即，学习数据中可以包括所推导出的与损失区域510具有相关性的特征信息，作为与损失区域410相关的信息以及与损失区域510的周边区域520、530相关的信息。99.作为更具体的一实例，参阅图5c，在第一周边区域520以及第二周边区域530的基础上，还可以使用第三周边区域540、第四周边区域540以及第五周边区域560信息作为学习数据。其中，第三周边区域540可以是损失区域510周边的建筑物，而且可以将建筑物与水涝损失相关的信息作为第三周边区域540的特征信息。作为一实例，第三周边区域540的特征信息可以是在水涝损失区域510发生当时的建筑物损失信息。另一方面，第四周边区域550可以是耕地，而且可以将耕地与水涝相关的信息作为特征信息。作为一实例，作为特征信息可以包括耕地形态、耕地农作物的类型、地势高低以及与损失区域的比较信息中的至少某一个。100.此外，第五周边区域560可以是塑料大棚，而且可以包括与损失区域510具有关联性的特征信息。即，在学习数据中还可以包括分别与周边区域510、520、530、540、550相关的信息，并以此为基础进行学习。101.作为另一实例，在学习数据中还可以包括损失区域相关信息。作为一实例，参阅图6，可以推导出与损失区域610以及周边区域620相关的特征信息并体现在学习数据中，这与在上述内容中进行的说明一致。作为一实例，图6中的损失区域610可以是水涝地区。此时，可以将灾害相关信息作为损失区域相关信息追加体现在灾害识别学习模型中。作为一实例，可以通过推导出流体流动信息630以及土壤流动信息640而体现出灾害相关信息。作为一实例，流体流动信息630以及土壤流动信息640是与造成损失区域610的原因即水涝具有相关性的信息，可以在与损失区域610相距预先设定的距离的位置或多个位置上进行测定，而且如上所述的信息可以被体现在学习数据中。即，并不只是损失区域信息以及周边区域特征信息，灾害信息也可以被体现在学习数据中并以此为基础进行学习。102.在图6中对水涝区域进行了说明，但是并不限定于此。即，学习数据不仅可以包括与损失区域以及周边区域相关的信息，还可以包括与灾害关联的相关信息，并不限定于如上所述的实施例。103.作为另一实例，灾害相关信息还可以包括损失扩散度信息。其中，损失扩散度信息可以是根据损失区域或周边区域事先决定的值。作为具体的一实例，在损失区域的周边区域为防洪堤或森林地区的情况下，因为损失扩散的可能性较低，因此可以将扩散度值设定为较低的值。与此相反，在塑料大棚、发电厂、水库或空宅基地等的情况下，因为在发生灾害时周边受到损失的可能性较大，因此可以将相应区域的损失扩散度值设定为较高的值。即，可以以各个损失区域或周边区域的特征为基础事先决定损失扩散度信息，而相应的信息可以作为灾害相关信息体现在学习数据中。104.作为另一实例，如上所述，在通过学习模型学习作为学习数据推导出的信息时，可以为各个信息赋予加权值。作为一实例，可以以与损失相关的信息即对损失造成影响的程度为基础赋予加权值。作为具体的一实例，可以为地形的倾斜度、河流的形态以及河流的水深赋予加权值，从而在输入数据中优先识别出倾斜度、河流的形态以及河流的水深进行比较，并借此提升判断的准确度。通过如上所述的方式，灾害识别学习模型可以以灾害图像、通过贴标获取的损失区域以及周边区域特征信息和灾害相关信息中的至少某一个为基础进行学习。105.接下来，在实际发生灾害的情况下，可以以如上所述的图3a至图3c为基础获取灾害图像，而灾害识别学习模型可以将所获取到的灾害图像作为输入，计算出灾害损失区域确认信息以及灾害损失类型判定信息作为输出信息。106.此时，作为一实例，在作为灾害识别学习模型的输入信息使用的灾害图像中，可以提取出地标信息。其中，地标信息如上所述，可以是与损失区域周边部特征相关的信息。作为更具体的一实例，参阅图5a至图5c，可以提取出河流的形态、区域、河流的方向、水涝区域左侧的耕地形态/地势高低、水涝区域的用途(如旱田、水田或苹果园等)以及水涝区域的周边部的用途(如旱田、水田、塑料大棚等)信息中的至少某一个。其中，作为一实例，所述地标信息的提取可以以作为其他学习模型的所述信息推导学习模型为基础进行。107.即，在服务器获取到需要进行分析的灾害图像的情况下，可以通过适用用于从灾害图像中提取出地标信息的学习模型而提取出如上所述的损失区域、周边区域以及其他灾害相关信息。接下来，服务器可以使用灾害图像以及通过如上所述的方式提取出的信息作为灾害识别学习模型的输入信息，并通过灾害识别学习模型计算出灾害损失区域确认信息以及灾害损失类型判定信息作为输出信息，从而提升学习的准确度。108.作为另一实例，为了用于识别损失区域的进阶学习，可以获取与灾害图像相关的灾害前状态图像。作为一实例，服务器可以从其他数据库或其他装置获取灾害前状态图像。作为另一实例，服务器可以获取与灾害图像相关的地图图像以及其他形态的图像并作为所述灾害识别学习模型的输入信息使用，从而提升准确度。109.作为另一实例，服务器可以以所述灾害损失区域确认信息以及灾害损失类型判定信息为基础对灾害损失区域以及灾害损失类型进行识别。具体来讲，服务器可以以所述信息为基础决定灾害损失区域的面积以及损失区域的类型。此外，服务器可以对灾害损失区域的用途进行确认，并推导出损失区域的特性信息。作为一实例，灾害损失区域的用途可以通过所述灾害图像或外部数据进行确认。作为一实例，灾害损失区域的用途可以以是否属于空宅基地、旱田、水田、山地以及居住地为基准进行区分。作为另一实例，灾害损失区域的用途可以以更具体的用途为基础进行区分。作为一实例，在灾害损失区域的用途为旱地的情况下，可以在考虑损失区域即旱地中所栽培的植物信息(例如，辣椒、苹果以及人参等)的情况下决定损失区域的用途。作为另一实例，还可以在考虑损失区域即旱地是否为塑料大棚旱地或露天旱地等追加关联信息的情况下决定损失区域的用途。作为另一实例，在损失区域为仓库的情况下，可以在进一步考虑仓库中所储藏的产品的情况下决定损失区域的用途。作为另一实例，在损失区域为禽舍的情况下，可以在进一步考虑禽舍中所饲养的家禽的情况下决定损失区域的用途。此时，作为一实例，损失区域的用途不仅可以考虑所述灾害图像，还可以在考虑损失区域的其他图像或相关数据的情况下决定。此外，作为一实例，损失区域的用途可以以土地台账或其他数据为基础决定，并不限定于如上所述的实施例。110.通过如上所述的方式，服务器可以对损失区域的面积、类型以及用途进行确认。其中，在已经决定损失区域的面积、类型以及用途信息的情况下，服务器可以推导出损失区域的特性信息，并以此为基础对损失规模以及补偿规模信息进行确认。在本说明书中，损失规模以及补偿规模可以被理解为是损失金额或补偿金额。作为一实例，服务器可以作为损失区域的灾害图像通过航拍图像推导出损失区域的特性信息。此时，服务器可以在考虑损失区域的面积、类型以及用途的情况下根据从航拍图像识别出的特征推导出特性信息。作为具体的一实例，在可以从航拍图像识别出损失区域的损失的情况下，服务器可以以所识别出的损失为基础对损失区域的面积、类型以及用途进行确认并推导出特性信息。接下来，服务器可以以所推导出的特性信息为基础对损失规模信息进行确认。111.作为另一实例，在损失类型为水涝且损害区域为塑料大棚的情况下，可能会因为塑料大棚在实际上并没有发生破损而无法通过航拍图像对损失进行识别。此时，服务器不仅可以使用航拍图像，还可以使用损失区域相关信息推导出特性信息。作为一实例，服务器可以从航拍图像中推导出塑料大棚外观信息。其中，因为在航拍图像中塑料大棚的外观可能处于无法对其损失进行识别的状态，从而难以推导出特性信息，因此可以使用追加相关图像或外部数据推导出特性信息，并借此对损失规模信息进行确认。112.作为另一实例，作为无法通过航拍图像直接对损失区域的损失进行识别的情况，可以以损失区域为人参田的情况为例。此时，因为在航拍图像中人参田的遮光膜顶等依然存在，因此在外观上可能无法对损失进行识别。其中，作为一实例，服务器可以进一步使用航拍图像中的所述周边区域特征信息对损失进行识别，并推导出特性信息。作为具体的一实例，可以以人参田的遮光膜存在，但是周边部分全部受到水涝损失的情况为例。此时，虽然从航拍图像中无法识别出损失区域的损失，但是却可以推导出周边区域特征信息。其中，服务器可以以周边区域特征信息为基础将包括损失区域在内的区域判定为完全水涝状态，并以此为基础推导出特性信息。即，服务器不仅可以使用损失区域，还可以使用从周边区域获取到的信息推导出与损失区域相关的特性信息，并以此为基础对损失规模信息进行确认。113.作为另一实例，在遮光膜沿着一个方向安装的设施物(例如人参田)的情况下，服务器可以通过遮光膜被打开的部分向影像获取装置请求人参田内部的影像。在如上所述的情况下，可以通过对飞行位置以及拍摄角度进行调节而对人参田的内部进行拍摄。因为遮光膜的角度固定不变，因此可以根据无人机的高度计算出可以对相应人参田的内部进行拍摄的位置，而服务器可以通过如上所述的计算向无人机提供无人机的拍摄位置以及角度。114.作为另一实例，服务器可以作为相关追加信息进一步使用外部数据。作为一实例，虽然可以通过如上所述的方式将周边区域判定为完全水涝状态，但是可以通过进一步使用地籍信息等，在人参田的高度高于周边区域或配备有排水设施的情况下降低被判定为完全水涝的概率。即，服务器还可以进一步使用外部数据推导出特性信息，并以此为基础对损失规模信息进行确认。115.作为另一实例，服务器可以使用可供过航拍图像获取到的追加信息推导出损失区域的特性信息。作为一实例，在人参田的情况下，可以从航拍图像中对与遮光膜支架图案的弯曲程度相关的信息进行确认。服务器可以以遮光膜支架图案的弯曲程度为基础对水涝程度进行确认，并借此推导出损失区域的特性信息并对损失规模信息进行确认。即，服务器还可以从航拍图像中进一步推导出追加信息，并在使用所述追加信息推导出特性信息之后，对损失规模信息进行确认。此外，服务器还可以为了推导出损失规模信息而接收外部数据并加以利用，这与在上述内容中进行的说明相同。116.此时，作为具体的一实例，在损失区域中有农作物存在的情况下，服务器可以作为外部数据获取损失发生时期信息、航拍图像拍摄时间点信息、损失发生区域面积信息、损失发生区域农作物的运出与否信息、损失区域的农作物的市价信息、损失农作物的成本信息以及损失农作物的信息中的至少某一个，并以此为基础推导出特性信息并对损失规模信息进行确认。作为一实例，损失发生时期信息以及航拍图像拍摄时间点信息可以是为了对损失区域的农作物是否为收获前或收货时期进行确认而需要的信息。此外，作为一实例，损失农作物的市价信息或成本信息可以从其他数据库(例如，农协服务器)或其他装置获取。此外，作为损失农作物的信息，可以考虑是否容易受到如温度、风力以及降雨量等的影响的信息。此外，还可以通过反映损失农作物是否为一年生农作物或多年生农作物的信息而推导出损失规模信息。117.作为具体的一实例，在人参田的情况下，服务器可以考虑遮光膜会倾斜形成的特性，从而获得在无人机移动到朝向遮光膜的开口部的位置之后拍摄的图像。其中，服务器可以作为图像内的农作物信息对人参的颜色信息进行确认，并通过将其与数据库信息进行比较而对人参的年份进行确认。服务器还可以通过进一步反映所述信息而推导出损失区域的特性信息，并借此对损失规模信息进行确认。118.通过如上所述的方式，服务器可以在考虑损失区域的面积、类型以及用途的情况下推导出特性信息，并借此对损失规模信息进行确认。其中，作为一实例，服务器还可以推导出补偿规模信息。此时，补偿规模信息可以以与损失规模信息相同的方式决定。作为另一实例，补偿规模信息可以通过在损失规模信息中反映管理人员责任信息的方式决定。此时，责任信息可以以平时所拍摄的图像或灾害发生前所拍摄的图像为基础进行判断。作为另一实例，责任信息可以以灾害损失区域的防灾措施到位程度为基础决定。作为一实例，防灾措施到位信息可以是数据库化的信息，而且可以分别以检查清单信息为基础进行比较。119.作为具体的一实例，在屋顶已经破损或长时间无人看管的情况以及堤坝已经破损或无人看管的情况下，可以在考虑所述状况的情况下推导出责任信息。此时，在责任信息中可以反映负的加权值，而且可以通过将其反映到损失规模信息中而推导出最终补偿规模信息。作为另一实例，在灾害发生之前进行过装修的情况或在灾害发生之前安装了新装置的情况下，在责任信息中可以反映正的加权值，而且可以通过将其反映到损失规模信息中而推导出最终补偿规模信息。即，可以通过确认责任信息而反映正或负的加权值，并以此为基础将补偿规模信息设定为大于或小于损失规模信息的平均值，但是并不限定于如上所述的实施例。120.作为服务器从损失区域推导出特性信息并对损失规模进行确认的具体的一实例，参阅图7a以及图7b，服务器可以以如上所述的灾害损失区域确认信息以及灾害损失类型判定信息为基础对灾害损失区域的面积、类型以及用途进行确认。作为一实例，在图7a以及图7b中可以使用受到灾害损失的位置710、720上的航拍图像推导出灾害损失区域711、721。其中，服务器可以通过航拍图像对损失区域进行识别，并通过推导出特性信息而对损失规模信息进行确认。作为一实例，可以以航拍图像为基础对灾害损失区域711、721进行识别，并根据从航拍图像识别出的损失信息推导出特性信息并对损失规模信息进行确认，服务器可以仅使用航拍图像对损失规模信息进行确认。121.作为另一实例，服务器不仅可以使用航拍图像，还可以在考虑外部数据以及相关图像的情况下推导出特性信息，并对损失规模进行确认。作为一实例，在图7a以及图7b中服务器可以作为相关图像使用在不同的角度对灾害损失区域拍摄的图像。其中，相关图像可以是近距离拍摄图像，可以从航拍图像中推导出对应的损失区域712、722并与航拍图像的损失区域711、721进行比较。此外，作为一实例，服务器可以使用灾害发生前图像。此时，服务器可以从灾害发生前图像推导出与损失区域对应的部分713、723，并通过将其与航拍图像的损失区域711、721进行比较而推导出特性信息，进而对损失规模信息进行确认。122.作为另一实例，参阅图8a至图8c，服务器可以作为相关图像使用在考虑灾害损失区域的用途的情况下拍摄的图像。其中，相关图像可以是在损失区域811、821、831中直接对发生损失的对象(例如，农作物)进行拍摄的图像，借此可以推导出特性信息并对损失规模信息进行确认。即，服务器可以以发生灾害的位置810、820、830上的航拍图像为基础对损失区域811、821、831进行确认，并作为相关图像进一步反映在实际损失区域对损失对象进行拍摄的图像而推导出特性信息，进而对损失规模信息进行确认。123.作为另一实例，参阅图9a至图9c，服务器还可以进一步使用外部数据推导出损失规模。其中，外部数据可以是地籍图上的信息。此外，外部数据可以是与发生类似灾害的损失区域相关的信息。作为具体的一实例，在图9a中可以进一步对与发生相同类型的灾害损失的区域相关的信息进行确认，并在使用所述信息推导出特性信息之后对损失规模信息进行确认。124.作为另一实例，参阅图9b以及图9c，服务器可以使用与发生灾害损失的区域以及没有发生灾害损失的区域相关的信息推导出特性信息。作为一实例，a设施911、921可以是发生灾害损失的区域，而b设施912、922可以是没有发生灾害损失的区域。作为一实例，服务器可以通过如上所述的方式对a设施911、921的损失区域以及损失类型进行确认。此外，服务器可以使用与a设施911、921相关的图像信息推导出特性信息并对损失规模信息进行确认。此时，作为一实例，服务器还可以进一步使用没有发生灾害的区域即b设施912、922的图像信息。此时，服务器可以从没有发生损失的区域推导出与损失区域对应的区域以及相关信息，并通过将其与损失区域进行比较而推导出特性信息并对损失规模信息进行确认，并不限定于如上所述的实施例。125.作为另一实例，服务器可以在将外部数据反映到灾害识别学习模型的情况下赋予加权值。其中，赋予加权值的外部数据也可以适用于学习模型并在推导出输出的过程中使用，并不限定于如上所述的实施例。作为一实例，外部数据可以是服务器从网络或外部装置获取的信息，并不限定于特定的类型。126.其中，作为一实例，外部数据可以是与灾害图像相关的信息。作为更具体的一实例，服务器可以从灾害统计数据库获取外部数据。即，外部数据可以是从包括灾害相关统计信息的数据库获取的信息，而且可以将其体现在学习模型。作为一实例，服务器可以以如上所述的灾害图像为基础对灾害类型种类进行确认。其中，灾害类型种类可以以记录在灾害统计数据库中的灾害类型种类为依据进行分类。即，可以以灾害统计数据库信息为基础决定灾害类型。接下来，服务器可以作为外部数据获取与特定的灾害类型相关的信息。作为一实例，在外部数据中可以包括以特定的灾害类型为基础的损失规模信息、损失频率信息、损失金额信息、死亡人数信息、损失原因信息以及过失相关信息中的至少某一个以上。此外，外部数据还可以包括其他灾害相关信息，并不限定于特定信息。127.图10a是对在本说明书的一实施例中以灾害图像为基础构建学习模型的方法进行图示的示意图。128.参阅图10a，服务器可以通过多个现有灾害图像进行灾害识别学习模型的学习。其中，在步骤s1011中，服务器可以获取多个现有灾害图像。此时，可以从多个现有灾害图像中推导出损失区域以及周边区域。作为一实例，在步骤s1012中，服务器可以通过如上所述的方式通过信息推导学习模型从灾害图像中推导出损失区域以及周边区域。接下来，在步骤s1013中，可以通过对所推导出的损失区域以及周边区域进行贴标而推导出各个特征信息。其中，贴标以及各个特征信息的推导也可以以所述信息推导学习模型为基础进行，并不限定于如上所述的实施例。作为一实例，如上所述，因为可以是现有灾害图像，因此可以事先设定与灾害相关的损失相关信息，而且可以以相应的信息为基础对损失区域以及周边区域进行贴标并推导出特征信息。其中，通过贴标推导出的特征信息如图4所示，可以包括以各个灾害图像为基础的损失区域信息、损失类型信息、周边部特征信息、损害扩散度信息、灾害当时的气象信息以及日期信息中的至少某一个以上。此时，特征信息可以与灾害图像一起用于灾害识别学习模型的学习。接下来，在步骤s1014中，可以适用所述贴标信息以及与损失区域/周边区域相关的加权值。此时，作为一实例，可以为各个信息设定不同的加权值。作为另一实例，加权值可以在反映所述损失扩散度信息的情况下进行设定，并不限定于如上所述的实施例。接下来，在步骤s1015中，服务器可以使用各个灾害图像、贴标信息以及损失区域/周边区域信息进行灾害识别学习模型的学习，借此可以对灾害识别学习模型进行更新。129.此外，参阅图10b，服务器可以使用经过更新的灾害识别学习模型对实际灾害图像进行分析并以此为基础推导出灾害损失区域确认信息以及灾害损失类型信息。具体来讲，在步骤s1021中，服务器可以以图3a至图3c为基础获取航拍图像作为灾害图像。此时，可以从各个灾害图像中推导出损失区域以及周边区域。作为一实例，服务器可以以推导出地标信息的学习模型为基础推导出损失区域以及周边区域并在步骤s1023中通过贴标获取特征信息。接下来，在步骤s1024中，可以为所提取出的各个信息适用加权值，并使用适用加权值的信息作为经过更新的灾害识别学习模型的输入信息。此外，作为一实例，在步骤s1025中，服务器不仅可以获取灾害图像，还可以获取灾害发生前图像、灾害周边图像、地图图像、地形图像以及其他相关图像中的至少某一个。此时，在步骤s1026中，服务器可以通过如上所述的方式使用适用加权值的信息、灾害图像以及其他相关图像作为灾害识别学习模型的输入。在步骤s1027中，灾害识别学习模型可以以所述输入信息为基础通过所学习的数据库识别出灾害损失区域并推导出相关信息。接下来，灾害识别学习模型可以提供灾害损失区域确认信息以及灾害损失类型信息作为输出信息，并借此提升对灾害图像的损失区域识别准确度。130.图11a是对在本说明书的一实施例中以灾害损失区域为基础决定灾害损失规模以及补偿规模的方法进行图示的示意图。131.参阅图11a，在步骤s1111中，服务器可以以图10a以及图10b为基础对损失区域以及损失类型进行确认。接下来，在步骤s1112中，服务器可以对损失区域的用途进行确认，此时，损失区域的用途可以以损失区域的使用信息为基础决定。作为一实例，使用信息是指损失区域的使用方法，可以以是否属于空宅基地、旱田、水田、山地以及居住地为基准进行区分。132.作为另一实例，灾害损失区域的用途可以在考虑损失区域使用用途的对象的情况下通过具体的用途信息决定。作为一实例，在灾害损失区域的用途为旱地的情况下，可以在考虑损失区域即旱地中所栽培的植物信息(例如，辣椒、苹果以及人参等)的情况下决定损失区域的用途。作为另一实例，还可以在反映损失区域即旱地是否为塑料大棚旱地或露天旱地等追加关联信息的情况下决定损失区域的用途。作为另一实例，在损失区域为仓库的情况下，可以在进一步考虑仓库中所储藏的产品的情况下决定损失区域的用途。作为另一实例，在损失区域为禽舍的情况下，可以在进一步考虑禽舍中所饲养的家禽的情况下决定损失区域的用途。在步骤s1113中，在通过如上所述的方式对损失区域的用途进行确认之后，服务器可以推导出损失区域的特性信息。其中，特性信息可以是在考虑损失区域的面积、类型以及用途的情况下与发生实际损失的对象相关的信息。作为一实例，损失区域的特性信息可以以所述航拍图像为基础进行识别，而且可以仅使用航拍图像推导得出。133.作为另一实例，即使是在已经通过航拍图像对损失区域的面积以及类型确认的情况下，仅通过所述信息也可能难以确认损失区域的特性信息并对损失规模信息进行确认。在步骤s1114中，考虑到如上所述的问题，服务器还可以进一步考虑与损失区域相关的相关图像。此外，在步骤s1115中，服务器还可以进一步考虑与损失区域相关的外部数据。作为一实例，与损失区域相关的相关图像可以是近距离拍摄图像、灾害发生前图像、没有发生灾害的区域的图像以及其他相关图像。此外，作为一实例，外部数据可以包括地形图、地籍图、损失发生时期信息、航拍图像拍摄时间点信息、损失发生区域面积信息、损失发生区域农作物的运出与否信息、损失区域的农作物的市价信息、损失农作物的成本信息、损失农作物的信息以及与损失区域相关的其他相关信息中的至少某一个。即，服务器不仅可以使用航拍图像，还可以进一步使用相关图像以及外部数据信息推导出特性信息，并对损失规模信息进行确认。其中，在步骤s1116中，服务器可以为各个图像以及外部数据适用加权值。作为一实例，加权值可以分别根据从图像提取出的特性信息以及外部数据的类型适用不同的加权值。接下来，服务器可以使用已适用加权值的信息对损失规模信息以及补偿规模信息进行确认，并不限定于如上所述的实施例。134.作为另一实例，图11b是对在本说明书的一实施例中以灾害损失区域为基础决定灾害损失规模以及补偿规模的方法进行图示的示意图。参阅图11b，在步骤s1121中，服务器可以以图10a以及图10b为基础对损失区域以及损失类型进行确认。接下来，在步骤s1122中，服务器可以对损失区域的用途进行确认。此时，损失区域的用途可以以损失区域的使用信息为基础决定。作为一实例，使用信息是指损失区域的使用方法，可以以是否属于空宅基地、旱田、水田、山地以及居住地为基准进行区分。135.作为另一实例，灾害损失区域的用途可以在考虑损失区域使用用途的对象的情况下根据具体的用途信息决定。作为一实例，在灾害损失区域的用途为旱地的情况下，可以在考虑损失区域即旱地中所栽培的植物信息(例如，辣椒、苹果以及人参等)的情况下决定损失区域的用途。作为另一实例，还可以在考虑损失区域即旱地是否为塑料大棚旱地或露天旱地等追加关联信息的情况下决定损失区域的用途。作为另一实例，在损失区域为仓库的情况下，可以在进一步考虑仓库中所储藏的产品的情况下决定损失区域的用途。作为另一实例，在损失区域为禽舍的情况下，可以在进一步考虑禽舍中所饲养的家禽的情况下决定损失区域的用途。在步骤s1123中，在通过如上所述的方式对损失区域的用途进行确认之后，服务器可以推导出损失区域的特性信息。其中，特性信息可以是在考虑损失区域的面积、类型以及用途的情况下与发生实际损失的对象相关的信息。作为一实例，损失区域的特性信息可以以所述航拍图像为基础进行识别并借此推导得出。136.作为另一实例，即使是在已经通过航拍图像对损失区域的面积以及类型确认的情况下，仅通过所述信息也可能难以推导出损失区域的特性信息并对损失规模信息进行确认。考虑到如上所述的问题，服务器可以使用损失规模评估学习模型。其中，因为可能难以计算出为了对损失规模进行评估而适用的加权值，因此可以使用学习模型。作为一实例，损失规模评估学习模型的输入可以包括通过如上所述的方式推导出的损失区域特性信息、相关图像以及外部数据中的至少某一个以上。此时，与损失区域相关的相关图像可以是近距离拍摄图像、灾害发生前图像、没有发生灾害的区域的图像以及其他相关图像。此外，作为一实例，外部数据可以包括地形图、地籍图、损失发生时期信息、航拍图像拍摄时间点信息、损失发生区域面积信息、损失发生区域农作物的运出与否信息、损失区域的农作物的市价信息、损失农作物的成本信息、损失农作物的信息以及与损失区域相关的其他相关信息中的至少某一个。137.此时，在步骤s1127中，损失规模评估学习模型可以以所述输入信息为基础推导出损失规模信息以及补偿规模信息作为输出值。此时，所推导出的输出值可以重新反馈到学习模型中，而学习模型可以借此进行更新。通过如上所述的方式，损失规模评估学习模型可以得到更新，从而提升损失规模信息以及补偿规模信息的推导准确度。138.图12是对在本说明书的一实施例中识别灾害损失区域的方法进行图示的顺序图。139.参阅图12，可以提供一种对灾害损失区域进行识别的服务器的工作方法。此时，在步骤s1210中，服务器可以获取至少一个以上的第一灾害图像。作为一实例，第一灾害图像可以是现有灾害图像，服务器可以获取多个现有灾害图像。接下来，在步骤s1220中，服务器可以从至少一个以上的第一灾害图像中分别推导出损失区域，并以所推导出的损失区域为基础通过贴标获取损失区域相关信息。接下来，在步骤s1230中，服务器可以使用至少一个以上的第一灾害图像以及损失区域相关信息学习第一学习模型。此时，第一学习模型可以是所述灾害识别学习模型。即，服务器可以使用多个现有灾害图像学习灾害识别学习模型。140.此时，服务器可以分别在至少一个以上的第一灾害图像中以所推导出的损失区域为基础推导出多个周边区域。即，不仅可以推导出损失区域，还可以推导出多个周边区域，并分别获取与通过贴标推导出的多个周边区域相关的周边区域相关信息。其中，第一学习模型还可以使用分别与所推导出的多个周边区域相关的周边区域相关信息进行学习。此时，作为一实例，分别与所推导出的多个周边区域相关的周边区域相关信息，可以分别包括与多个周边区域相关的特征信息，这与在上述内容中进行的说明相同。此时，特征信息可以是在分别考虑到多个周边区域与损失区域之间的相关性的前提下设定的信息，这与在上述内容中进行的说明相同。此外，服务器可以从外部设备获取第二灾害图像。此时，外部设备可以是在上述内容中结合图3a至图3c进行说明的无人机、卫星以及飞机中的某一个。此外，外部设备可以是其他装置或数据库，并不限定于如上所述的实施例。此外，第二图像可以是需要进行分析的实际灾害图像。141.此时，服务器可以从第二灾害图像中推导出损失区域以及周边区域，并在以所推导出的损失区域以及周边区域为基础通过贴标获取多个灾害相关信息之后分别为所获取到的多个灾害相关信息赋予加权值。接下来，可以将第二灾害图像以及多个灾害相关信息作为输入提供至经过学习的第一学习模型，并以第一学习模型为基础输出灾害损失区域确认信息以及灾害损失类型信息，从而进行最终损失区域的识别。142.此外，作为一实例，服务器可以获取与第二灾害图像相关的至少一个相关图像，所获取到的图像可以与第二灾害图像以及多个灾害相关信息一起输入到第一学习模型。此时，作为一实例，至少一个相关图像可以包括灾害发生前图像、灾害周边图像、地图图像以及地形图像中的至少某一个以上，这与在上述内容中进行的说明相同。此外，作为一实例，第二灾害图像可以被输入到第二学习模型，第二学习模型可以推导出第二灾害图像的损失区域以及周边区域，并以所推导出的第二损失区域以及周边区域为基础通过贴标提供多个灾害相关信息作为输出信息。其中，第二学习模型可以是所述信息推导学习模型。即，可以以信息推导学习模型为基础作为地标信息推导出各个损失区域以及周边区域。143.此外，作为一实例，服务器可以接收分别与所推导出的损失区域以及周边区域相关的损失扩散度信息，并在进一步反映损失扩散度信息的情况下决定分别与所获取到的多个灾害相关信息相关的加权值。其中，损失扩散度信息可以是在考虑到灾害发生可能性的情况下进行数值化的信息，这与在上述内容中进行的说明相同。144.此外，作为一实例，服务器可以获取灾害损失区域用途信息，并以灾害损失区域确认信息、灾害损失类型信息以及灾害损失区域用途信息为基础对灾害损失区域的面积、类型以及用途进行确认，这与在上述内容中进行的说明相同。此时，服务器可以以所确认的灾害损失区域的面积、灾害损失区域的类型以及灾害损失区域的用途为基础推导出灾害损失区域特性信息，并以所推导出的灾害损失区域特性信息为基础对损失规模信息进行确认。此时，作为一实例，服务器还可以进一步获取与灾害损失区域相关的至少一个第三灾害图像以及与灾害损失区域相关的至少一个外部数据。145.此时，第三灾害图像作为相关图像，可以是近距离拍摄图像、灾害发生前图像、没有发生灾害的区域的图像以及其他相关图像。此外，作为一实例，外部数据可以包括地形图、地籍图、损失发生时期信息、航拍图像拍摄时间点信息、损失发生区域面积信息、损失发生区域农作物的运出与否信息、损失区域的农作物的市价信息、损失农作物的成本信息、损失农作物的信息以及与损失区域相关的其他相关信息中的至少某一个。此时，服务器可以进一步反映至少一个第三灾害图像以及至少一个外部数据对损失规模信息进行确认，这与在上述内容中进行的说明相同。此外，服务器可以分别为灾害损失区域特性信息、至少一个第三灾害图像以及至少一个外部数据赋予加权值，并以反映所赋予的加权值的方式对所述损失规模信息进行确认。作为另一实例，服务器可以提供灾害损失区域特性信息、至少一个第三灾害图像以及至少某一个外部数据作为第三学习模型的输入数据，并通过第三学习模型获取损失规模信息作为输出数据。此时，损失规模信息可以作为反馈信息提供至第三学习模型，并以损失规模信息为基础对第三学习模型进行更新。其中，第三学习模型可以是所述损失规模评估学习模型，并不限定于如上所述的实施例。146.在上述内容中进行说明的实施例中的至少一部分可以通过计算机程序实现并被存储在计算机可读取的存储介质中。存储有用于实现实施例的程序的计算机可读取的存储介质，包括存储有计算机可读取的数据的所有类型的存储装置。作为计算机可读取的存储介质的示例，包括如只读存储器(rom)、随机访问存储器(ram)、只读光盘(cd-rom)、磁带以及光学数据存储装置等。此外，计算机可读取的存储介质也可以分散到通过网络连接的计算机系统中，从而以分散方式对计算机可读取的代码进行存储和执行。此外，本实施例所属
技术领域：
：之一般技术人员应该可以轻易理解用于实现本实施例的功能性程序、代码以及代码片段(segment)。147.在本说明书的上述内容中参阅附图所图示的实施例进行了说明，但这只是示例性目的，具有相关
技术领域：
：之一般知识的人员应该可以理解，本发明可以以此进行各种变形以及实施例的变形。但是，如上所述的变形仍然包含在本说明书的技术保护范围之内。因此，本说明书的真正的技术保护范围应该被定义为包括基于所附的权利要求书的技术思想的其他实现例、其他实施例以及与权利要求书同等范围的内容。当前第1页12当前第1页12