W piątkowe popołudnia Caitlin Kontgis i niektórzy inni naukowcy z Descartes Labs zbierają się w biurze w Santa Fe w Nowym Meksyku i zabierają się do pracy nad oddolnym projektem, który nie jest częścią ich pracy: obserwowaniem huraganów z góry i sprawdzaniem, czy może dowiedzieć się, co zrobią burze. *
Pozyskują dane z GOES, Geostacjonarnej Operacyjnej Satelity Środowiskowej obsługiwanej przez NOAA i NASA, która rejestruje obrazy półkuli zachodniej co pięć minut. To tyle, ile czasu zajmuje zespołowi przetworzenie każdego obrazu za pomocą algorytmu głębokiego uczenia, który wykrywa oko huraganu i wyśrodkowuje na nim procesor obrazu. Następnie wykorzystują syntetyczne dane apertury, które wykorzystują radar długofalowy do patrzenia przez chmury i mogą rozpoznawać wodę pod powierzchnią na podstawie odbicia. To z kolei może pokazywać powodzie niemal w czasie rzeczywistym, śledzone przez kilka dni, miast na ścieżce huraganów.
„Celem tych projektów… jest naprawdę przekazanie danych w ręce osób udzielających pierwszej pomocy oraz osób, które podejmują decyzje i mogą pomóc”, mówi Kontgis, główny naukowiec w Descartes.
Na przykład huragan Harvey nieoczekiwanie zalał duże części Houston pomimo malejącej prędkości wiatru. Ta burza zainspirowała naukowców Kartezjusza do stworzenia programu, z którego teraz korzystają, choć spóźnili się, by zastosować te dane do działań naprawczych. Chociaż Descartes Labs jest w kontakcie z FEMA i innymi organizacjami, nie ma oficjalnego wykorzystania gromadzonych danych.
Ten obraz pokazuje prawdopodobieństwo wystąpienia wody przed huraganem Harvey nad wiejskim południowym obszarem Houston, mierzone za pomocą komputerowego modelu wizyjnego dogłębnego uczenia się z Descartes Labs przeznaczonego do wykrywania powodzi. Obraz „przed” pochodzi z 1 czerwca 2017 r. (Descartes Labs) 
To zdjęcie pokazuje prawdopodobieństwo wystąpienia wody podczas huraganu Harvey na tym samym obszarze. Ciemniejsze odcienie niebieskiego wskazują na większe prawdopodobieństwo wody. Ten „podczas” obraz pochodzi z 29 sierpnia 2017 r. (Descartes Labs) Praca z huraganami nie jest częścią głównego zadania Kartezjusza, polegającego na wykorzystaniu podobnego uczenia maszynowego do oceny łańcuchów dostaw żywności, nieruchomości i innych. Na przykład Kartezjusz może przeglądać dane satelitarne dotyczące rolnictwa w Brazylii, Argentynie i Chinach oraz przewidywać globalne plony i ceny kukurydzy. Lub może ocenić wskaźniki budowy i oszacować wartość gruntu. Ale grupa może wykorzystać tę samą technologię do badania huraganów i innych klęsk żywiołowych, i planuje wprowadzić dodatkowe informacje do algorytmu w przyszłości, takie jak rozmiar huraganu, prędkość wiatru, a nawet wysokość terenu, aby lepiej przewidzieć powódź.
Descartes jest tylko jedną z wielu agencji, firm i grup badawczych, które próbują wykorzystać duże zbiory danych i uczenie maszynowe w zakresie przewidywania huraganów, bezpieczeństwa i świadomości. Sukces może oznaczać mniejsze szkody - ekonomiczne i ludzkie - w obliczu pogłębiających się burz spowodowanych klimatem lub przynajmniej większe możliwości złagodzenia tych szkód.
Przewidywanie, dokąd nadejdzie huragan, jest dobrze ugruntowaną perspektywą, mówi Amy McGovern, profesor informatyki na University of Oklahoma. McGovern studiuje wykorzystanie AI w podejmowaniu decyzji dotyczących burz i tornad, ale nie huraganów, z tego powodu. Ale twierdzi, że w huraganach wciąż jest wiele czynników, które trudno przewidzieć. To, gdzie wylądują, może być przewidywalne, ale to, co się stanie, gdy tam dotrą, to inna historia; huragany są znane z tego, że wymykają się lub rozpaczają tuż przed lądowaniem.
Nawet w sieciach neuronowych wszystkie modele na dużą skalę wykorzystują pewne założenia, dzięki skończonej ilości danych, które mogą uwzględnić, i prawie nieskończonej liczbie potencjalnych rodzajów danych wejściowych. „To wszystko stanowi wyzwanie dla AI” - mówi McGovern. „Modele zdecydowanie nie są idealne. Wszystkie modele są w różnych skalach, są dostępne w różnych rozdzielczościach czasowych. Wszystkie mają różne uprzedzenia. Kolejnym wyzwaniem jest po prostu ogromna ilość danych. ”
To jeden z powodów, dla których wielu naukowców szuka AI, aby pomóc zrozumieć wszystkie te dane. Nawet NOAA wchodzi na pokład. To oni obsługują satelity GOES, więc są również zalewani danymi.
Do tej pory naukowcy NOAA wykorzystują głębokie uczenie się jako sposób na zrozumienie danych, które mogą uzyskać ze swoich zdjęć, zwłaszcza teraz, gdy nowy GOES-16 może wykryć 16 różnych pasm widmowych, z których każdy zapewnia inne spojrzenie na wzorce pogodowe, w wyniku czego rząd wielkości więcej danych niż poprzedni satelita. „Przetwarzanie danych satelitarnych może być znacznie szybsze, jeśli zastosujesz do nich głębokie uczenie się”, mówi Jebb Stewart, szef informatyki i wizualizacji w NOAA. „Pozwala nam na to spojrzeć. Jest wąż strażacki z informacjami… kiedy model tworzy te prognozy, mamy inny rodzaj problemu z informacją, który jest w stanie przetworzyć, aby zrozumieć go na potrzeby prognoz ”.
NOAA szkoli swoje komputery w zakresie wybierania huraganów ze zdjęć satelitarnych i ostatecznie połączy je z innymi warstwami danych w celu poprawy prognoz probabilistycznych, co pomoże Marynarce Wojennej, komercyjnym firmom spedycyjnym, platformom wiertniczym i wielu innym branżom podejmować lepsze decyzje dotyczące ich operacje.
NASA również korzysta z głębokiego uczenia się, aby oszacować intensywność burz tropikalnych w czasie rzeczywistym, opracowując reguły algorytmiczne, które rozpoznają wzorce w widmie widzialnym i podczerwonym. Internetowe narzędzie agencji pozwala użytkownikom zobaczyć zdjęcia i prognozy prędkości wiatru dla huraganów na żywo i historycznych na podstawie danych GOES.
Kiedy możemy spodziewać się, że komputery będą niezawodnie wykrywać huragany, potrzebujemy sposobu, aby przetłumaczyć to na coś, co ludzie mogą zrozumieć. Dostępnych jest znacznie więcej informacji niż tylko prędkość wiatru, a ich zrozumienie może pomóc nam zrozumieć wszystkie inne sposoby, w jakie huragany wpływają na społeczności. Hussam Mahmoud, profesor inżynierii lądowej i inżynierii środowiska na Uniwersytecie Stanu Kolorado, przyglądał się uważnie czynnikom, które powodują, że niektóre huragany są bardziej katastrofalne niż inne. Mówi, że główne z nich to miejsce, w którym burze powodują lądowanie i co lub kto na nich czeka, kiedy tam dotrą. Nic dziwnego, że sugeruje, że huragan, który uderzy w miasto, zada więcej obrażeń niż ten, który uderzy w niezamieszkane wybrzeże, ale taki, który uderzy w obszar przygotowany ze ścianami morskimi i innymi czynnikami łagodzącymi, również będzie miał mniejszy wpływ.
Kiedy już wiesz, jakich szkód się spodziewać, możesz być lepiej przygotowany na wyzwania dla miast, takie jak zatłoczenie w szpitalach i zamknięcia szkół, i możesz być bardziej pewien, czy ewakuacja jest konieczna. Ale jest też problem z komunikacją: obecnie huragany są opisywane przez ich prędkość wiatru, podzielone na kategorie od 1 do 5. Ale prędkość wiatru jest tylko jednym predyktorem uszkodzeń. Mahmoud i jego współpracownicy opublikowali w zeszłym roku badanie w Frontiers in Built Environment na temat oceny zwanej poziomem wpływu huraganu.
„Chcieliśmy zrobić coś, co umożliwi nam lepsze informowanie o ryzyku, w tym różne możliwości, jakie może przynieść to zagrożenie”, mówi Mahmoud. „Fala sztormowa byłaby bardzo ważna, bardzo ważne są opady atmosferyczne i prędkość wiatru”.
Projekt uwzględnia dane z ostatnich burz - prędkość wiatru, falę sztormową i opady, ale także lokalizację i populację - i stosuje do nich sieć neuronową. Następnie może trenować sam, oceniając na przykład, czy huragan powinien spowodować lądowanie w lokalizacji X, przy prędkości wiatru Y, fali sztormowej Z itp., Szkody prawdopodobnie będą na określonym poziomie, wyrażonym w kosztach ekonomicznych. Porównuje dane wejściowe z rekordów NOAA, danych spisu powszechnego i innych źródeł z prawdziwych burz i daje poziom szkód podobny do tego, który miał miejsce podczas tych burz. Zespół Mahmouda wypróbował to na serio, aw ciągu ostatnich dwóch lat model podał dokładne szacunki dotyczące huraganów, które spowodowały lądowanie.
„Jeśli możemy to zrobić, być może najpierw będziemy w stanie zrozumieć wielkość szkód, których doświadczymy z powodu huraganu, i… użyj go do wydania rozkazów ewakuacyjnych, które były jednym z głównych problemy z łagodzeniem huraganów i reagowaniem ”, mówi Mahmoud.
Proponowany system Mahmouda nie został jeszcze wprowadzony, ale rozmawia z The Weather Channel, który nazywa wczesnym etapem, ale jest obiecujący.
Weather Company (spółka macierzysta Weather Channel) korzysta już z platformy Big Data PAIRS Geoscope swojej spółki zależnej IBM, aby prognozować przerwy w dostawie prądu, a tym samym przygotowywać lepszą reakcję na katastrofę w następstwie huraganów. Dane wejściowe dla systemu pochodzą nie tylko z satelitów pogodowych, ale również z modeli sieci elektroenergetycznych i historii awarii zasilania. Te prognozy również skorzystają na dodaniu coraz większej liczby źródeł danych, w tym wilgotności gleby, które mogą pomóc przewidzieć upadek drzewa.
Ilość dostępnych danych rośnie niezwykle szybko, podobnie jak nasza zdolność do ich przetwarzania, wyścig zbrojeń wskazujący na przyszłość zwiększającej się dokładności i probabilistycznego prognozowania huraganów, które pomogą przygotować się na burzę na całym świecie.
# Olcha, alpinista i MosesFiresFire # Olcha, alpinista i MosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36, 410, -118, 740; 1718 akrów # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27 listopada 2018 r
Descartes Labs ma także w projekcie inny projekt niezwiązany z huraganami, z wyjątkiem tego, że wykorzystuje podobną technologię w przypadku kolejnej klęski żywiołowej - pożarów. Kiedy w Kalifornii wybuchł pożar Camp na początku listopada, twitter bot o nazwie @wildfiresignal ożył. Zbudowany przez ten sam zespół z Descartes, @wildfiresignal przeszukuje dane co sześć godzin z GOES-16 dla dymnych piór i tweetów obok optycznych i podczerwonych zdjęć ognia. Informacje w podczerwieni mogą pokazywać ciepło ognia, co może pomóc w wizualizacji jego położenia w momencie, gdy zaczyna się płomień lub w nocy, gdy trudno jest zobaczyć dym. Może to pomóc strażakom lub mieszkańcom w planowaniu dróg ucieczki w miarę zbliżania się pożaru, ale, podobnie jak w przypadku projektu huraganu, współpraca ze strażakami lub lasami krajowymi jest wstępna.
„Gdybyśmy mogli mieć system alarmowy na całym świecie, w którym wiadomo, kiedy wybuchł pożar w ciągu dziesięciu minut po jego wybuchu, byłoby to spektakularne” - mówi Mark Descartes, dyrektor generalny Descartes. „Prawdopodobnie wciąż jesteśmy daleko od tego, ale to jest ostateczny cel.”
* Nota redaktora, 28 listopada 2018 r .: W poprzedniej wersji tego artykułu niepoprawnie podano, że główna siedziba Descartes Labs znajduje się w Los Alamos w Nowym Meksyku, podczas gdy w rzeczywistości znajduje się teraz w Santa Fe w Nowym Meksyku. Historia została zredagowana, aby poprawić ten fakt.
