У петак поподне, Цаитлин Контгис и неки други научници из Десцартес Лабс окупљају се у својој канцеларији у Санта Фе-у, у Новом Мексику и долазе на посао на локалном пројекту који није део њихових послова: гледање урагана одозго и гледање да ли могу да схватим шта ће олује радити. *
Добијају податке од ГОЕС-а, Геостационарног оперативног еколошког сателита којим управљају НОАА и НАСА, који сваких пет минута снима слике западне хемисфере. Отприлике је потребно тиму да обради сваку слику кроз алгоритам дубоког учења који детектује ураган у оку и центрира процесор слике. Затим уграђују синтетичке податке бленде, који користе дуговални радар за гледање кроз облаке и могу разабрати воду испод на основу рефлективности. То заузврат може показати скоро поплаву у стварном времену, праћену данима, градова на путу урагана.
„Циљ ових пројеката је заиста добити податке у руке првих лекара и људи који доносе одлуке и могу помоћи“, каже Контгис, водећи научник из Десцартеса.
Ураган Харвеи, на пример, неочекивано је поплавио велике делове Хјустона и поред мањих брзина ветра. Та је олуја инспирисала научнике Десцартеса да направе програм који сада користе, иако су били прекасни за примену тих података у напорима опоравка. Док је компанија Десцартес Лабс била у контакту са ФЕМА-ом и другим организацијама, нема података за службену употребу података које они сакупљају.
Ова слика приказује вероватноћу воде пре урагана Харвеи над сеоским подручјем јужног Хјустона, мерено моделом рачунарског вида дубоког учења из Десцартес Лабс намењеног откривању поплава. Слика "пре" је од 1. јуна 2017. (Десцартес Лабс) Ова слика приказује вероватноћу воде током урагана Харвеи на истом подручју. Тамнији блуес указује на већу вероватноћу воде. Ова слика "током" је од 29. августа 2017. (Десцартес Лабс)Рад са ураганима није део Десцартесове главне делатности, која се састоји од коришћења сличног машинског учења за процену ланаца снабдевања храном, некретнинама и још много тога. На пример, Десцартес може да погледа сателитске податке о пољопривреди у Бразилу, Аргентини и Кини и да предвиди глобалне приносе и цене кукуруза. Или може проценити стопе изградње и проценити вредност земљишта. Али група може користити исту технологију за испитивање урагана и других природних катастрофа, а у алгоритам планира уградити додатне информације у будућности, као што су величина урагана, брзина ветра, па чак и висина земљишта како би се боље предвидјеле поплаве.
Десцартес је само једна од бројних агенција, компанија и истраживачких група које покушавају да искористе велике податке и машинско учење о предвиђању урагана, сигурности и свести. Успех може значити смањену штету - економску и људску - у условима погоршања олује изазване климом или барем повећане могућности за ублажавање тих штета.
Предвиђање куда ће ураган ићи је добро утврђена перспектива, каже Ами МцГоверн, професорка рачунарских наука са Универзитета у Оклахоми. МцГоверн проучава употребу АИ у одлучивању о грмљавинском невремену и торнаду, али не и о ураганима из тог разлога. Али каже да је још увек пуно фактора у ураганима које је тешко предвидети. Гдје ће слетјети можда је предвидљиво, али оно што ће се догодити када стигну постоји друга прича; урагани су добро познати по томе што су се искрцали или дизали непосредно пред слетање.
Чак и са неуронским мрежама, модели великих размера користе одређене претпоставке, захваљујући ограниченој количини података које могу да садрже и готово неограниченом броју потенцијалних врста уноса. "Ово све чини изазов за АИ", каже МцГоверн. „Модели дефинитивно нису савршени. Сви су модели различитог нивоа, доступни су у различитим временским резолуцијама. Сви имају различите пристраности. Други изазов је управо велика количина података. "
То је један од разлога што многи научници траже АИ како би помогли да разумеју све те податке. Чак се и НОАА укрцава. Они су ти који управљају сателитима ГОЕС, па су преплављени и подацима.
До сада, научници НОАА користе дубоко учење као начин да разумеју које податке могу добити из својих слика, посебно сада када нови ГОЕС-16 може осетити 16 различитих спектралних опсега, а сваки пружа другачији поглед на временске обрасце, што резултира редослед више података него претходни сателит. "Обрада сателитских података може бити знатно бржа када на то примените дубоко учење", каже Јебб Стеварт, шеф информатике и визуализације у НОАА. „Омогућује нам да га погледамо. Постоји ватрогасно црево информација ... када модел креира ове прогнозе, имамо другачији проблем са информацијама, који је у стању да га обради како би имао смисла за прогнозе. "
НОАА обучава своје рачунаре да бирају урагане са својих сателитских снимака и на крају ће их комбиновати са другим слојевима података да би побољшали вероватне прогнозе, што ће помоћи морнарици, комерцијалним бродарским компанијама, нафтним постројењима и многим другим индустријама да донесу боље одлуке о својим операције.
НАСА такође користи дубоко учење да процени интензитет тропских олуја у реалном времену, развијајући алгоритамска правила која препознају обрасце у видљивом и инфрацрвеном спектру. Интернетски алат агенције омогућава корисницима да виде слике и предвиђања брзине вјетра за живе и хисторијске урагане на основу података ГОЕС-а.
Једном када можемо очекивати да рачунари поуздано примећују урагане, потребан нам је начин да то преведемо у нешто што људи могу да разумеју. На располагању је пуно више информација него само брзина ветра, а имајући смисла за то можемо нам помоћи да разумемо све остале начине на које урагани утичу на заједнице. Хуссам Махмоуд, ванредни професор за грађевинско и еколошко инжењерство на Цолорадо Стате Университи, детаљно је сагледао факторе који чине урагане катастрофалнијим од других. Основно међу њима је, каже он, место где те олује праве одроне и шта их или ко чека када дођу тамо. Није изненађујуће претпоставити да ће ураган који погоди град нанети више штете од оне која погоди ненасељену обалу, али онај који погоди подручје припремљено морским зидинама и другим олакшавајућим факторима такође ће имати смањен утицај.
Једном када сазнате какву штету очекујете, можете бити боље припремљени за изазове у градовима, попут гужве у болницама и затварања школа, и моћи ћете бити сигурнији да ли је евакуација потребна. Али ту је и проблем комуникације: тренутно су урагани описани брзином ветра, сврстани су у категорије од 1 до 5. Али брзина ветра је само један предиктор штете. Махмуд и његови сарадници објавили су прошле године студију у Фронтиерс ин Буилт Енвиронмент о процени која се зове ниво урагана.
„Желели смо да учинимо нешто где можемо да пренесемо ризик на бољи начин, што укључује различите могућности које овај ризик може да донесе“, каже Махмуд. "Олујна бура би била веома важна, колико падавина имате је јако важно и колика је брзина ветра."
Пројект укључује податке недавних олуја - брзину вјетра, олујне ударе и падавине, али и локацију и становништво - и на њих примјењује неуронску мрежу. Тада се може оспособити, процјењујући, на примјер, ако би ураган требао извршити пад на Кс локацији, с брзином вјетра И, олујним ударима З, итд., Штета би вјероватно била на посебном нивоу, изражена у економској цијени. Поређује уносе из НОАА записа, пописне податке и других извора из стварних олуја и даје ниво оштећења сличан ономе који се догодио у тим олујама. Махмудов тим је то испробао стварно, а током последње две године модел је дао тачне процене урагана који су на копну.
„Ако то можемо учинити, можда тада можемо, пре свега, да схватимо величину штете коју ћемо доживети због урагана и… користити је за издавање налога за евакуацију, који су били један од главних питања у вези са ублажавањем урагана и реакцијом на њих ”, каже Махмуд.
Махмоудов предложени систем још увек није уведен, али он је у преговорима са Тхе Веатхер Цханнел, који назива раном фазом, али обећавајући.
Метеоролошка компанија (матична компанија Веатхер Цханнел) већ користи своју подружницу ИБМ ПАИРС Геосцопе платформа за велике податке за предвиђање прекида напајања и тако припрема боље реакције на катастрофе услед урагана. Улази за систем не долазе само из временских сателита, већ и из модела комуналних мрежа и историје нестанка струје. И ова ће предвиђања имати користи од додавања све више извора података, укључујући влажност тла, што може помоћи у предвиђању пада дрвећа.
Количина доступних података расте врло брзо, па тако и наша способност да је обрадимо, трка у наоружању која указује на будућност све веће тачности и вероватноће прогнозирања урагана који ће помоћи припремљености за олују широм света.
# Алдер, Планинар, андМосесФиресФире # Алдер, Планинар, иМосесФирес; лат, лон: 36.220, -118.620 # ЕденФире # Еден; лат, лон: 36.410, -118.740; 1718 ари # ЦАфире пиц.твиттер.цом/Б2ЗвфмкЈив
- Вилдфире Сигнал (@вилдфиресигнал) 27. новембра 2018
Десцартес Лабс има још један пројекат у вези с ураганима, осим што сличну технологију користи за другу природну катастрофу - пожаре. Када је почетком новембра у Калифорнији одјекнуо Цамп Фире, бујица твитераша звана @вилдфиресигнал је оживела. Израдио исти тим из Десцартеса, @вилдфиресигнал провлачи податке сваких шест сати из ГОЕС-16 за димне пљускове и твитове уз оптичке и инфрацрвене слике пожара. Информације о инфрацрвеном зраку могу показати топлину ватре, што може помоћи у визуализацији његове локације баш као што пламен почиње, или ноћу када је дим тешко уочити. Ово би могло помоћи ватрогасцима или становницима да планирају руте за бијег док се ватра приближава њима, али као и пројект урагана, сурадња с ватрогасцима или националним шумама је прелиминарна.
„Када бисмо могли да имамо систем узбуњивања на глобалном нивоу где бисте знали када је пожар почео у року од десет минута након што је започео, то би било спектакуларно“, каже извршни директор Десцартеса Марк Јохнсон. "Вероватно смо још далеко од тога, али то је крајњи циљ."
* Белешка уредника, 28. новембар 2018. Претходна верзија овог чланка погрешно је навела да је седиште компаније Десцартес Лабс у Лос Аламосу, у Новом Мексику, када се, уствари, сада налази у Санта Фе, Нови Мексико. Прича је уређена да би се та чињеница поправила.