Péntek délután Caitlin Kontgis és a Descartes Labs többi tudósának egyesülése az új mexikói Santa Fe-ben, az irodában találkozik, és egy helyi projektre indul, amely nem része a munkájuknak: fentről hurrikánokat figyelni, és megnézni, vajon kitalálhatja, mit fog tenni a vihar. *
Adatokat szereznek a GOES-től, a NOAA és a NASA által működtetett geostacionárius operatív környezeti műholdastól, amely öt percenként rögzíti a nyugati félteké képeit. Arról szól, hogy mennyi ideig tart a csapat feldolgozása az egyes képekben egy mély tanulási algoritmus segítségével, amely felismeri a hurrikán szemét és központosítja a képfeldolgozót. Ezután beépítik a szintetikus rekesznyílás-adatokat, amelyek hosszú hullámú radart használnak a felhőkön keresztül történő áttekintéshez, és a visszaverődés alapján képesek megkülönböztetni az alsó vizet. Ez viszont szinte valós idejű, a napokon át kövezett árvíz jelenítheti meg a hurrikánok útján lévő városokat.
„Ezeknek a projekteknek az a célja, hogy ténylegesen adatokat kapjanak az első válaszadók és az emberek kezébe, akik döntéseket hoznak és segíthetnek” - mondja Kontgis, a Descartes vezető alkalmazott tudósa.
Például a Harvey hurrikán váratlanul elárasztotta Houston nagy részeit, annak ellenére, hogy a szélsebesség csökken. Ez a vihar arra ösztönözte a Descartes tudósokat, hogy készítsék a ma általuk használt programot, bár már késő volt alkalmazni ezeket az adatokat a helyreállítási erőfeszítésekre. Míg a Descartes Labs kapcsolatba lépett a FEMA-val és más szervezetekkel, az általuk összegyűjtött adatok hivatalos felhasználása nem lehetséges.
Ez a kép mutatja a víz valószínűségét a Harvey hurrikán előtti Houston vidéki déli körzetében, a Descartes Labs által az árvízérzékelésre szánt mélyreható számítógépes látásmodell segítségével mérve. Az "előtte" kép 2017. június 1-jétől származik. (Descartes Labs) 
Ez a kép a víz valószínűségét mutatja a Harvey hurrikán idején ugyanazon a területen. A sötétebb kék a víz nagyobb valószínűségét jelzi. Ez a "közben" kép 2017. augusztus 29-től származik. (Descartes Labs) A hurrikánokkal végzett munka nem része a Descartes fő üzleti tevékenységének, amely hasonló gépi tanulással jár az élelmiszer-ellátási láncok, az ingatlanok és egyebek felmérésére. Descartes például megnézheti Brazília, Argentína és Kína mezőgazdaságának műholdas adatait, és előrejelzéseket készíthet a globális kukorica hozamokról és árairól. Vagy felméri az építési arányt és becsülheti meg a föld értékét. De a csoport felhasználhatja ugyanezt a technológiát a hurrikánok és más természeti katasztrófák vizsgálatára, és azt tervezi, hogy a jövőben további információkat fog beépíteni az algoritmusba, például a hurrikán méretét, a szélsebességet és akár a föld magasságát is, hogy jobban megjósolják az árvizet.
A Descartes csak egy a számos ügynökségből, társaságból és kutatócsoportból, amelyek megkísérelik kiaknázni a nagy adatot és a gépi tanulást a hurrikán előrejelzésén, biztonságán és tudatosságán. A siker jelentősen csökkentett - gazdasági és emberi - károkat jelenthet az éghajlat okozta viharok súlyosbodásakor, vagy legalább a megnövekedett lehetőségek e károk enyhítésére.
A hurrikán előrejelzése jól megalapozott perspektíva - mondja Amy McGovern, az Oklahoma Egyetem informatika professzora. McGovern ezért tanulmányozza az AI használatát a zivatarok és tornádók döntéshozatalában, de a hurrikánok nem. De azt állítja, hogy a hurrikánokban még mindig sok olyan tényező van, amelyeket nehéz megjósolni. Előfordulhat, hogy a hol leszállnak, de mi történik, ha megérkeznek, egy másik történet; A hurrikánok közismert tény, hogy közvetlenül a leszállás előtt porzsolódnak vagy felgyorsulnak.
Még a neurális hálózatokkal is, a nagyméretű modellek mindegyike felhasználja a feltételezéseket, köszönhetően a véges adatmennyiségnek, amelyet beépíthetnek, és a szinte végtelen számú lehetséges típusú bemenethez. "Mindez kihívást jelent az AI számára" - mondja McGovern. „A modellek egyértelműen nem tökéletesek. A modellek mindegyike különböző léptékű, különféle felbontásokban kapható. Mindegyikük eltérő elfogultsággal rendelkezik. Egy másik kihívás csak a nagy mennyiségű adat. ”
Ez az egyik oka annak, hogy sok tudós arra számít, hogy az AI megértse az összes adatot. Még a NOAA is felszáll. Ők azok, akik a GOES műholdakat üzemeltetik, tehát az adatok is elárasztottak.
Eddig a NOAA tudósai a mély tanulást használják annak megértésére, hogy milyen képeket kaphatnak a képeikről, különösen most, hogy az új GOES-16 16 különböző spektrumos sávot érzékel, amelyek mindegyike eltérő bepillantást nyújt az időjárási mintákba, ami egy nagyságrenddel több adat, mint az előző műholdasnál. „A műholdas adatok feldolgozása szignifikánsan gyorsabb lehet, ha mélyreható tanulást alkalmazunk rá” - mondta Jebb Stewart, a NOAA informatikai és megjelenítési vezetője. „Ez lehetővé teszi számunkra, hogy megnézzük. Van egy tűzoltó tömlő… amikor a modell készíti ezeket az előrejelzéseket, másfajta információs problémánk van, képesek vagyunk feldolgozni, hogy ez az előrejelzések szempontjából értelmezhető legyen. ”
A NOAA kiképzi számítógépeit, hogy válasszon hurrikánokat műholdas képeiből, és végül összekapcsolja azt más adatrétegekkel a valószínűségi előrejelzések javítása érdekében, ami segít a haditengerészetnél, a kereskedelmi hajózási társaságoknál, az olajfúrótornyoknál és sok más iparágnál jobb döntések meghozatalában. művelet.
A NASA szintén mély tanulást használ a trópusi viharok valósidejű intenzitásának becslésére, algoritmikus szabályokat dolgoz ki, amelyek felismerik a látható és infravörös spektrumok mintáit. Az ügynökség web-alapú eszköze lehetővé teszi a felhasználók számára a képeket és a szélsebesség-előrejelzéseket az élő és történelmi hurrikánok számára a GOES-adatok alapján.
Amint számíthatunk arra, hogy a számítógépek megbízhatóan észlelik a hurrikánokat, szükségünk van egy módra, hogy lefordítsuk valamit az emberek által érthetőre. Sokkal több információ áll rendelkezésre, nem csak a szélsebesség, és ennek értelme segíthet megérteni az összes többi módot, ahogyan a hurrikánok befolyásolják a közösségeket. Hussam Mahmoud, a Colorado Állami Egyetem polgári és környezetvédelmi mérnöki egyetemi docens, alaposan megvizsgálta azokat a tényezõket, amelyek egyes hurrikánok katasztrofálisabbá teszik a többieket. Elsődleges köztük, azt mondja, hol vannak a viharok a parthoz, és mi vár rájuk, amikor odaérnek. Nem meglepő, ha azt sugalljuk, hogy egy várost sújtó hurrikán több károkat fog okozni, mint egy kihasználatlan part menti part, de a tengerfalakkal és más enyhítő tényezőkkel előkészített területeket sújtó hatásoknak szintén csökkent hatása lesz.
Miután tudta, milyen típusú károkat várhat el, jobban felkészülhet a városok kihívásaira, például a kórházak zsúfoltságára és az iskolák leállítására, és biztosabb lehet abban, hogy evakuálás szükséges-e. De ott van a kommunikáció problémája: Jelenleg a hurrikánokat a szélsebességük jellemzi, 1 és 5 közötti kategóriákba sorolva. A szélsebesség azonban csak a károk előrejelzője. Mahmoud és munkatársai tavaly tanulmányt tettek közzé a Frontiers in Built Environment területén a hurrikán hatásszintjével kapcsolatban.
"Olyan tevékenységet akartunk tenni, ahol jobb módon kommunikálhatjuk a kockázatot, amely magában foglalja a veszély különböző lehetőségeit" - mondja Mahmoud. "A vihar túlzott mértékű lenne, nagyon fontos a csapadékmennyiség és a mekkora a szélsebesség."
A projekt beépíti a közelmúlt viharok - szélsebesség, viharviszonyok és csapadék, valamint a hely és a népesség - adatait, és idegi hálózatot alkalmaz rájuk. Ezután kiképzi magát, becsülve például azt, hogy ha egy hurrikán X helyszínre esik a partra, Y szélsebességgel, Z viharhullámmal stb., Akkor a kár valószínűleg egy bizonyos szintű, gazdasági költségekben kifejezve. Összehasonlítja a NOAA nyilvántartásokból származó adatokat, a népszámlálási adatokat és más forrásokat a valódi viharokból, és olyan kárszintet ad, amely hasonló az ilyen viharokhoz. Mahmoud csapata valóban kipróbálta, és az elmúlt két évben a modell pontos becsléseket adott a partra szállást végrehajtó hurrikánokra.
„Ha meg tudjuk csinálni, akkor először is megérthetjük a hurrikán miatt felmerülő károk mértékét, és… felhasználhatjuk azokat evakuálási utasítások kiadására, amelyek az egyik fő a hurrikán enyhítésével és a reagálással kapcsolatos kérdésekkel foglalkozik ”- mondja Mahmoud.
Mahmoud által javasolt rendszert még nem vezetik be, de tárgyal a The Weather Channel-rel, amelyet korai szakasznak hív, de ígéretes.
Az Weather Company (az Weather Channel anyavállalata) már használja leányvállalatának, az IBM PAIRS Geoscope nagy adatplatformját az áramkimaradások előrejelzésére, és így a katasztrófa utáni jobb reagálás előkészítésére a hurrikánok után. A rendszer bemenetei nemcsak az időjárási műholdakról származnak, hanem a közüzemi hálózati modellekből és az áramkimaradások előzményeiből is. Ezekre az előrejelzésekre egyre több adatforrás, többek között a talaj nedvességtartalmának hozzáadása is hozzájárul majd, amely elősegítheti a fa esését.
A rendelkezésre álló adatok mennyisége rendkívül gyorsan növekszik, és így képesek vagyunk azok feldolgozására is. A fegyverkezési verseny a növekvő pontosság és a valószínűsíthető hurrikán-előrejelzés jövőjére utal, amely elősegíti a viharra való felkészülést az egész világon.
# Éger, hegymászó ésMosesFiresFire # Éger, hegymászó ésMosesFires; lat, lon: 36, 220, -118, 620 # EdenFire #Eden; lat, lon: 36, 410, -118, 740; 1718 hektár # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire jel (@wildfiresignal), 2018. november 27
A Descartes Labsnak egy másik, a hurrikánokkal nem összefüggő projektje is van a munkákban, azzal a különbséggel, hogy hasonló technológiát hasznosít egy másik természeti katasztrófa esetén - a tűzoltóknál. Amikor november elején Kaliforniai tábortűz tört ki, a @wildfiresignal nevű twitter bot életre keltette életét. Ugyanaz a Descartes-csapat építette, a @wildfiresignal hat óránként beolvassa az adatokat a GOES-16-tól a füstcsomókkal és a tweetekkel közeli optikai és infravörös képekről. Az infravörös információ megmutathatja a tűz hőjét, ami segíthet a helyszínének megjelenítésében, amikor a láng kezdődik, vagy éjszaka, amikor a füst nehezen látható. Ez segíthet a tűzoltóknak vagy a lakosoknak a menekülési útvonalak megtervezésében, amikor a tűz közeledik hozzájuk, de a hurrikánprojekthez hasonlóan a tűzoltókkal vagy a nemzeti erdőkkel való együttműködés előzetes.
"Ha globálisan lenne riasztórendszerünk, ahol tudnánk, mikor a tűz tíz percen belül kezdődött, a tűz kezdete után, az látványos lenne" - mondja Mark Johnson, a Descartes vezérigazgatója. "Valószínűleg még mindig távol vagyunk tőle, de ez a végső cél."
* A szerkesztő megjegyzése, 2018. november 28.: A cikk korábbi verziója helytelenül állította, hogy a Descartes Labs székhelye Los Alamosban, Új-Mexikóban található, amikor valójában jelenleg a Santa Fe-ben, Új-Mexikóban található. A történet azért került szerkesztésre, hogy helyrehozza ezt a tényt.
