为了加速灾害评估的速度，Google开发了使用卷积神经网络处理卫星图像，检测建筑物损坏范围的方法，以机器学习自动比对卫星资料，产生灾区建筑物损害评估。这项研究是Google与世界粮食计划局的创新加速器合作开发，目的是要加速灾害评估，对受灾严重的地区，提供即时救难资源。
Google提到，诸如地震、风灾和洪水等自然灾害，严重时影响的面积将非常广阔，甚至可能对数百万人造成冲击，而这对于后勤救援是个很大的挑战，政府、非政府和联合国等组织，都需要对灾情进行快速评估，以优化配置有限的资源。
现在有不少工具，能够使救灾评估更快速，像是分辨率高达30厘米的超高分辨率（VHR）卫星图像，便成为应对灾难的重要工具，让救灾单位可以掌握灾区状况，包括灾害可能大幅改变灾区地形，也能查看基础设施和人口等状态。
不过要从原始卫星图像中，查看倒塌的建筑物、出现裂缝的桥梁以及临时避难所等地点，仍需要大量的人力，Google举例，当2010年海地发生地震，分析人员对太子港地区卫星图像，以人工检查9万栋建筑物，并以5个等级分类这些建筑物的损坏程度，就花了数周的时间，但是灾难发生后黄金救难时间，却只有48到72小时，这个时候最需要即时的灾区评估信息。
Google使用机器学习技术来加速灾害评估，自动损害评估的过程有两个步骤，其一是建筑物侦测，其二则是损害分类。在建筑物侦测步骤，Google使用物体侦测模型，在卫星图像中对每个建筑物搭建包围盒（Bounding Box），并且截取灾害前与后的图像，之后以分类模型来决定建筑物受损与否。
分类模型由卷积神经网络组成，在卷积神经网络输入以给定建筑物为中心，灾难发生前后的两张图像，图像大小为161乘161像素，对应50平方米的占地面积。分类模型会分类两个图像的差异，并输出0.0到1.0的分数，数值接近0.0代表建筑物未损坏，接近1.0则代表建筑物已损坏，Google提到，阈值设为0.5可用来预测损坏与否，但仍可依据敏感度调整。
对于不同时所拍摄的卫星图像，可能出现亮度、对比度和色彩饱和度等差异，Google对灾难前后的图像颜色，进行直方图均衡化校正，并使用标准资料增强技术，通过在训练过程干扰图像的对比度和饱和度，使模型对颜色差异更具强健性。
Google提到，这项工作最困难的部分在于收集训练资料，因为有用到高分辨率卫星图像的灾难并不多，而且有做灾难评估的次数又更少。在标签资料上，Google取用自人道组织UNOSAT与REACH手动产生的损害评估资料，并使用Google地球引擎将损害评估标签，与卫星图像相结合，以产生最终的训练资料。
Google将这个系统分别用于评估2010年海地地震、2017年墨西哥城地震以及2018年印尼所发生的一系列地震，并把UNOSAT和REACH的人类专家评估作为基准真相，评估系统的准确度，结果显示该系统表现良好，3个事件的预测精准度都在70%到80%间。
目前的模型使用同地区的建筑物图像进行训练和测试，虽然效果很好，但是最终的系统是希望只靠一个模型，便可以用在世界各地发生的灾难，对当地建筑物进行评估，Google表示，这相当具有挑战性，因为要评估的不仅是训练资料地区的建筑物，但可用的训练资料，又仅限于少数几个地区的灾难，因此扩展模型可以处理的范围，将是研究人员接下来的工作。