Reede pärastlõunal kogunevad Caitlin Kontgis ja mõned teised Descartes Labsi teadlased oma Santa Fe (New Mexico) kontorisse ja lähevad tööle rohujuuretasandi projekti, mis pole nende töö osa: vaadata orkaane ülalt ja vaadata, kas nad saab aru, mida tormid teevad. *
Nad hangivad andmeid NOAA ja NASA käitatavast geostatsionaarsest operatiivsest keskkonnasatelliidist GOES, mis salvestab läänepoolkera pilte iga viie minuti tagant. See tähendab, kui kaua võtab meeskonnal iga pildi töötlemine sügava õppe algoritmi abil, mis tuvastab orkaani silma ja koondab pildiprotsessori selle kohale. Seejärel lisavad nad sünteetilise ava andmed, mis kasutavad pilvede kaudu nägemiseks pikalaineradarit ja suudavad peegelduvuse põhjal allpool olevat vett eristada. See omakorda võib näidata peaaegu reaalajas linnade üleujutusi, mis on läbi päevade jälgitud orkaanide teele.
“Nende projektide eesmärk on tõesti saada andmed esmaste reageerijate ja inimeste kätte, kes teevad otsuseid ja saavad aidata, ” ütleb Descartesi juhtiv rakendusteadlane Kontgis.
Näiteks orkaan Harvey ujutas vaatamata tuulekiiruse vähenemisele ootamatult suuri osi Houstoni. See torm inspireeris Descartesi teadlasi üles ehitama programmi, mida nad praegu kasutavad, ehkki nad olid liiga hilja, et neid andmeid taastamistöödeks rakendada. Kuigi Descartes Labs on suhelnud FEMA ja teiste organisatsioonidega, pole nende kogutavate andmete jaoks ametlikku kasutust.
See pilt näitab vee tõenäosust enne orkaani Harvey üle Houstoni lõunaosa maapiirkonna, mõõdetuna Descartes Labsi süvaõppega arvutinägemise mudelis, mis on ette nähtud üleujutuse tuvastamiseks. Pilt "enne" on pärit 1. juunist 2017. (Descartes Labs) 
See pilt näitab vee tõenäosust orkaan Harvey ajal samas piirkonnas. Tumedam sinakas näitab vee suuremat tõenäosust. Pilt "ajal" on pärit 29. augustist 2017 (Descartes Labs) Töö orkaanidega ei kuulu Descartesi põhitegevusse, mis seisneb sarnase masinõppe kasutamises toiduainete tarneahelate, kinnisvara ja muu hindamiseks. Näiteks võib Descartes vaadata Brasiilia, Argentiina ja Hiina põllumajanduse satelliitandmeid ning teha prognoose maisi ülemaailmse saagikuse ja hindade kohta. Või saab ta hinnata ehitusmahtu ja hinnata maa väärtust. Kuid rühm saab kasutada sama tehnoloogiat orkaanide ja muude loodusõnnetuste uurimiseks ning kavatseb tulevikus lisada algoritmile lisateavet, näiteks orkaani suurus, tuule kiirus ja isegi maapinna tõus, et üleujutusi paremini ennustada.
Descartes on vaid üks arvukatest agentuuridest, ettevõtetest ja uurimisrühmadest, mis üritavad orkaanide ennustamise, ohutuse ja teadlikkuse suurendamiseks suurandmeid ja masinõpet kasutada. Edu võib kliimast põhjustatud tormide halvenemise korral tähendada vähenenud kahjusid - nii majanduslikke kui ka inimlikke - või vähemalt suuremaid võimalusi nende kahjustuste leevendamiseks.
Prognoosida, kuhu orkaan läheb, on väljakujunenud perspektiiv, ütles Oklahoma ülikooli arvutiteaduse professor Amy McGovern. McGovern uurib sel põhjusel AI kasutamist otsuste tegemisel seoses äikese ja tornaadoga, kuid mitte orkaanidega. Kuid tema sõnul on orkaanides endiselt palju tegureid, mida on raske ennustada. See, kuhu nad maanduvad, võib olla ennustatav, kuid mis juhtub, kui nad sinna jõuavad, on juba teine lugu; orkaanid on hästi teada, et nad just enne maabumist välja vuravad või üles raiskavad.
Isegi närvivõrkude korral kasutavad kõik suuremahulised mudelid teatud eeldusi tänu piiratud hulgale andmetele, mida nad saavad kaasata, ja peaaegu lõpmatule arvule potentsiaalsetele sisenditüüpidele. "See muudab kõik AI jaoks väljakutseks, " ütleb McGovern. “Mudelid pole kindlasti täiuslikud. Kõik mudelid on erineva skaalaga, need on saadaval erineva eraldusvõimega ajal. Neil kõigil on erinevad eelarvamused. Teine väljakutse on lihtsalt ülimalt suur andmemaht. ”
See on üks põhjusi, miks paljud teadlased otsivad AI-st abi kõigi nende andmete mõistmiseks. Isegi NOAA on pardale jõudmas. Nemad käitavad GOES-satelliite, seega on nad ka andmetega üle ujutatud.
Siiani kasutavad NOAA teadlased süvaõpet selleks, et mõista, milliseid andmeid nad oma piltidelt saavad, eriti nüüd, kui uus GOES-16 tajub 16 erinevat spektririba, pakkudes igaühel erinevat pilku ilmastiku mustritesse, mille tulemuseks on suurusjärgu võrra rohkem andmeid kui eelmisel satelliidil. "Satelliidiandmete töötlemine võib olla oluliselt kiirem, kui rakendate sellele sügavat õpet, " ütleb NOAA informaatika ja visualiseerimise juht Jebb Stewart. “See võimaldab meil seda vaadata. Seal on teabevoolik ... kui mudel neid prognoose loob, on meil teist tüüpi teabeprobleem - võime seda töödelda, et see oleks prognooside jaoks mõistlik. ”
NOAA koolitab oma arvuteid valima orkaanid oma satelliidipiltidest ja ühendab selle lõpuks muude andmekihtidega tõenäosuslike prognooside parandamiseks, mis aitab mereväel, kommertslaevandusettevõtetel, naftaplatvormidel ja paljudel muudel tööstusharudel teha nende kohta paremaid otsuseid. operatsioonid.
Ka NASA kasutab süvaõpet troopiliste tormide reaalajas intensiivsuse hindamiseks, töötades välja algoritmilised reeglid, mis tunnevad ära nähtava ja infrapunaspektri mustrid. Agentuuri veebipõhine tööriist võimaldab kasutajatel GOES-i andmete põhjal näha elavate ja ajalooliste orkaanide pilte ja tuulekiiruse prognoose.
Kui võime oodata, et arvutid tuvastavad orkaanid usaldusväärselt, vajame viisi, kuidas see tõlkida inimestele arusaadavaks. Kättesaadav on palju rohkem kui lihtsalt tuulekiirus ja selle mõistmine aitab meil mõista kõiki muid viise, kuidas orkaanid kogukondi mõjutavad. Colorado osariigi ülikooli tsiviil- ja keskkonnatehnika dotsent Hussam Mahmoud on põhjalikult vaadelnud tegureid, mis muudavad mõned orkaanid teistest katastroofilisemaks. Tema sõnul on esmane nende hulgas see, kus need tormid maabuvad ja mis või kes neid sinna jõudes ootab. Pole üllatav väita, et linna tabanud orkaan teeb rohkem kahju kui see, mis tabab hõivamata rannikut, kuid see, mis tabab mereseinte ja muude leevendavate teguritega ettevalmistatud piirkonda, avaldab ka väiksemat mõju.
Kui teate, millist kahju on oodata, saate olla paremini valmis linnade väljakutseteks, nagu haiglarahvad haiglates ja kooli sulgemine, ning võite olla kindlam, kas evakueerimine on vajalik. Kuid siis on kommunikatsiooni probleem: praegu kirjeldavad orkaane nende tuule kiirus, mis on jagatud kategooriatesse vahemikus 1 kuni 5. Kuid tuule kiirus on ainult üks kahju ennustajaid. Mahmoud ja tema kaastöötajad avaldasid eelmisel aastal ajakirjas Frontiers in Built Environment uuringu, mille nimi oli orkaani mõju tase.
"Tahtsime teha midagi, kus saaksime riskidest paremini teada anda, mis hõlmab erinevaid võimalusi, mida see oht võib tuua, " ütleb Mahmoud. "Torm on väga oluline, kui palju on sademeid ja kui suur on tuule kiirus."
Projekt sisaldab andmeid hiljutiste tormide - tuule kiiruse, tormide ja sademete, aga ka asukoha ja rahvastiku kohta - ning rakendab nende jaoks närvivõrku. Siis saab ta ennast koolitada, hinnates näiteks seda, kui orkaan peaks maanduma X-i asukohas, tuule kiirusega Y, tormipuhanguga Z jne., Oleks kahju tõenäoliselt konkreetse suurusega, väljendatuna majanduslikes kuludes. Selles võrreldakse NOAA registrite andmeid, loendusandmeid ja muid allikaid tegelikest tormidest ning saadakse kahjutase, mis on sarnane nendes tormides juhtunule. Mahmoudi meeskond proovis seda tõeliselt ning viimase kahe aasta jooksul on mudel andnud täpseid hinnanguid maabumist teinud orkaanide kohta.
„Kui me suudame seda teha, siis võib-olla saame kõigepealt aru saada, kui suurt kahju on meil tekkinud orkaani tõttu ja ... kasutada seda evakueerimiskorralduste väljaandmiseks, mis on olnud üks peamisi on seotud orkaanide leevendamise ja reageerimisega, ”ütleb Mahmoud.
Mahmoudi väljapakutud süsteemi pole veel kasutusele võetud, kuid ta peab kõnesid The Weather Channeliga, mida ta nimetab varaseks, kuid paljulubavaks.
Ilmaettevõte (Weather Channeli emaettevõte) kasutab juba tütarettevõtte IBMi PAIRS Geoscope suurt andmesideplatvormi, et prognoosida elektrikatkestusi ja ette valmistada orkaanide tagajärjel parem katastroofidele reageerimine. Süsteemi sisendid ei pärine mitte ainult ilmateate satelliitidelt, vaid tehnovõrkude mudelitest ja voolukatkestuste ajaloost. Ka nendele prognoosidele tuleb kasuks üha enam andmeallikate, sealhulgas mulla niiskuse lisamine, mis aitab ennustada puude langust.
Kättesaadavate andmete hulk kasvab ülikiirelt, nagu ka meie võime seda töödelda - võidurelvastumine, mis osutab tulevase täpsuse suurenemisele ja tõenäolisele orkaanide ennustamisele tulevikus, mis aitab tormideks valmisolekut kogu maailmas.
# Lepp, mägironija jaMosesFiresFire # lepp, mägironija jaMosesFiresFire; lat, lon: 36, 220, -118, 620 # EdenFire #Eden; lat, lon: 36, 410, -118, 740; 1718 aakrit # CAfire pic.twitter.com/B2ZwfmxJiv
- Metsiku tule signaal (@wildfiresignal) 27. november 2018
Descartes Labsi teostes on ka orkaanidega mitteseotud teine projekt, välja arvatud see, et see kasutab sarnast tehnoloogiat ka teisel looduskatastroofil - kulutulena. Kui novembri alguses puhkes Californias Camp Fire, puhkes elule twitteri bot nimega @wildfiresignal. Sama meeskonna poolt Descartesist üles ehitatud @wildfiresignal proovitab iga kuue tunni tagant andmeid GOES-16 suitsutõrvade ja säutsude kõrvuti asetsevate optiliste ja infrapunapiltide kohta. Infrapunateave võib näidata tulekahju kuumust, mis võib aidata selle asukohta visuaalselt kuvada alles lõõtsa alguse ajal või öösel, kui suitsu on raske näha. See võiks aidata tuletõrjujatel või elanikel kavandada põgenemisteekondi tulele lähenedes, kuid nagu ka orkaaniprojekti puhul, on koostöö tuletõrjujate või riigimetsadega esialgne.
"Kui meil oleks globaalne häiresüsteem, kus te teaksite, kui tulekahju algas kümne minuti jooksul pärast selle algust, oleks see tähelepanuväärne, " ütleb Descartesi tegevjuht Mark Johnson. "Me oleme sellest arvatavasti endiselt eemal, kuid see on lõppeesmärk."
* Toimetaja märkus, 28. november 2018: Selle artikli eelmises versioonis oli valesti öeldud, et Descartes Labsi peakontor asub New Mexico osariigis Los Alamoses, kuigi tegelikult asub see nüüd New Mexico osariigis Santa Fe. Selle fakti parandamiseks on lugu redigeeritud.
