Caitlin Kontgis ja jotkut muut Descartes Labsin tutkijat kokoontuvat perjantaina iltapäivällä Santa Fe: n, New Mexico, toimistoonsa ja lähtevät työskentelemään ruohonjuuritason projektiin, joka ei kuulu heidän työhönsä: tarkkaile hirmumyrskyä ylhäältä ja katso, jos he osaa selvittää mitä myrskyt tekevät. *
He hankkivat tietoja GOES: ltä, NOAA: n ja NASA: n ylläpitämästä geostationaarisesta operatiivisesta ympäristösatelliitista, joka tallentaa kuvia länteen pallonpuoliskosta joka viides minuutti. Noin kuinka kauan tiimillä kuluu jokaisen kuvan käsittely syvän oppimisalgoritmin avulla, joka havaitsee hurrikaanin silmän ja keskittää kuvankäsittelyohjelman sen yli. Sitten ne sisältävät synteettisen aukon tiedot, jotka käyttävät pitkäaallotutkaa pilvien läpi ja voivat havaita veden alapuolella heijastavuuden perusteella. Se puolestaan voi näyttää kaupunkien lähes reaaliaikaisia tulvia, joita on seurattu päivien ajan, hirmumyrskyjen tiellä.
"Näiden projektien tavoitteena on todella saada tietoa ensiavustajien ja ihmisten käsiin, jotka tekevät päätöksiä ja voivat auttaa", sanoo Descartesin johtava soveltava tutkija Kontgis.
Esimerkiksi hirmumyrsky Harvey tulvi yllättäen suuria osia Houstonia huolimatta tuulen nopeuden vähentymisestä. Tämä myrsky inspiroi Descartes-tutkijoita rakentamaan nyt käyttämäänsä ohjelmaa, vaikka he olivatkin liian myöhäisiä soveltamaan näitä tietoja palautuspyrkimyksiin. Descartes Labs on ollut yhteydessä FEMA: han ja muihin organisaatioihin, mutta heidän vertaamansa tietoja ei ole virallisesti käytetty.
Tämä kuva osoittaa veden todennäköisyyden ennen hurrikaania Harvey maaseudun eteläisen Houstonin alueella mitattuna syvän oppimisen tietokonenäkömallilla, joka on saatu Descartes Labsista ja tarkoitettu tulvien havaitsemiseen. "Ennen" -kuva on 1. kesäkuuta 2017 alkaen (Descartes Labs) 
Tämä kuva näyttää veden todennäköisyyden hurrikaanin Harvey aikana samalla alueella. Tummempi blues osoittaa suuremman veden todennäköisyyden. Tämä "aikana" -kuva on 29. elokuuta 2017. (Descartes Labs) Työskentely hurrikaanien kanssa ei ole osa Descartesin pääliiketoimintaa, joka koostuu samanlaisen koneoppimisen käytöstä elintarvikeketjujen, kiinteistöjen ja muun arvioimiseksi. Esimerkiksi Descartes voi tarkastella Brasilian, Argentiinan ja Kiinan maatalouden satelliittitietoja ja tehdä ennusteita maailman viljasatoista ja hinnoista. Tai se voi arvioida rakennusastetta ja arvioida maan arvoa. Mutta ryhmä voi käyttää samaa tekniikkaa tutkimaan hirmumyrskyjä ja muita luonnonkatastrofeja, ja aikoo sisällyttää tulevaisuuden algoritmiin lisätietoja, kuten hurrikaanin koko, tuulen nopeus ja jopa maan korkeus tulvien ennustamiseksi paremmin.
Descartes on vain yksi lukuisista virastoista, yrityksistä ja tutkimusryhmistä, jotka yrittävät hyödyntää suurta dataa ja koneoppimista hurrikaanien ennustamiseen, turvallisuuteen ja tietoisuuteen. Menestys voi tarkoittaa vähentyneitä vahinkoja - taloudellisia ja inhimillisiä - ilmaston aiheuttamien myrskyjen pahenemisessa tai ainakin lisääntyneitä vaihtoehtoja näiden vahinkojen lieventämiseksi.
Ennustaa, mihin hirmumyrsky menee, on vakiintunut näkökulma, sanoo Oklahoman yliopiston tietotekniikan professori Amy McGovern. Tästä syystä McGovern tutkii AI: n käyttöä päätöksenteossa ukonilmaisuista ja tornadoista, mutta ei hurrikaaneista. Mutta hän sanoo, että hurrikaaneissa on edelleen paljon tekijöitä, joita on vaikea ennustaa. Missä he laskeutuvat, voi olla ennustettavissa, mutta mitä tapahtuu heti saapumisensa jälkeen, on toinen juttu; hurrikaanit ovat tunnettuja kuohuu tai nousevat juuri ennen laskeutumista.
Jopa hermoverkkojen kanssa, kaikki laajamittaiset mallit hyödyntävät tiettyjä oletuksia rajallisen tietomäärän, jonka ne voivat sisällyttää, ja lähes äärettömän määrän potentiaalisten syötteiden ansiosta. "Tämä tekee siitä kaiken haasteen AI: lle", McGovern sanoo. ”Mallit eivät todellakaan ole täydellisiä. Kaikki mallit ovat eri mittakaavassa, ne ovat saatavana eri aikaresoluutioilla. Heillä kaikilla on erilainen puolueellisuus. Toinen haaste on vain valtava tietomäärä. ”
Se on yksi syy siihen, että monet tutkijat etsivät AI: ta auttamaan ymmärtämään kaikkia tietoja. Jopa NOAA on nousemassa alukseen. He käyttävät GOES-satelliitteja, joten ne ovat myös täynnä tietoja.
Toistaiseksi NOAA-tutkijat käyttävät syvällistä oppimista tapana ymmärtää, mitä tietoja he voivat saada kuvistaan, etenkin nyt, kun uusi GOES-16 pystyy havaitsemaan 16 erilaista spektrikaistaa, joista kukin antaa erilaisen näkemyksen sääkuvioihin, mikä johtaa suuruusluokkaa enemmän dataa kuin edellisessä satelliitissa. "Satelliittitietojen käsittely voi olla huomattavasti nopeampaa, kun sovellat siihen syvällistä oppimista", sanoo NOAA: n tietotekniikan ja visualisoinnin päällikkö Jebb Stewart. ”Sen avulla voimme katsoa sitä. Siellä on paloletku tietoa… kun malli luo näitä ennusteita, meillä on eri tyyppinen tietoongelma, pystymme käsittelemään sen järkevästi ennusteita varten. ”
NOAA kouluttaa tietokoneitaan valitsemaan hirmumyrskyjä satelliittikuvistaan ja yhdistää sen lopulta muiden tietokerrosten kanssa todennäköisyyden ennusteiden parantamiseksi, mikä auttaa merivoimia, kaupallisia varustamoita, öljynporauslauttoja ja monia muita teollisuutta tekemään parempia päätöksiä toimintaa.
Myös NASA käyttää syvää oppimista estääkseen trooppisten myrskyjen reaaliaikaisen voimakkuuden kehittämällä algoritmisia sääntöjä, jotka tunnistavat kuviot näkyvissä ja infrapunaspektrissä. Viraston verkkopohjaisen työkalun avulla käyttäjät voivat nähdä kuvia ja tuulen nopeusennusteita eläville ja historiallisille hurrikaaneille GOES-tietojen perusteella.
Kun voimme odottaa tietokoneiden havaitsevan luotettavasti hirmumyrskyjä, tarvitsemme tavan kääntää tämä jotain, jonka ihmiset ymmärtävät. Tietoja on saatavana paljon enemmän kuin pelkkä tuulen nopeus, ja sen ymmärtäminen voi auttaa meitä ymmärtämään kaikkia muita tapoja, joilla hirmumyrsky vaikuttaa yhteisöihin. Coloradon osavaltion yliopiston siviili- ja ympäristötekniikan apulaisprofessori Hussam Mahmoud on tarkastellut laajasti tekijöitä, jotka tekevät joistakin hurrikaaneista tuhoisampia kuin toiset. Ensisijainen heidän joukostaan, hän sanoo, missä ne myrskyt laskeutuvat ja mikä tai kuka odottaa heitä saapuessaan. Ei ole yllättävää ehdottaa, että kaupunkia iskevä hirmumyrsky aiheuttaa enemmän vahinkoa kuin sellainen, joka iskee vapaata rannikkoa, mutta sellainen, joka osuu alueelle, jolla on seinät ja muut lieventävät tekijät, vaikuttaa myös vähentyneellä tavalla.
Kun tiedät, millaisia vaurioita odottaa, voit olla paremmin varautunut kaupunkien haasteisiin, kuten tungosta sairaalaan ja koulujen sulkemiseen, ja voit olla varmempi, tarvitaanko evakuointia. Mutta sitten on viestinnän ongelma: Nykyään hirmumyrskyt kuvataan niiden tuulen nopeudella, jaoteltuna luokkiin 1 - 5. Mutta tuulen nopeus on vain yksi ennustaja vaurioille. Mahmoud ja hänen yhteistyökumppaninsa julkaisivat viime vuonna julkaisussa Frontiers in Built Environment tutkimuksen nimeltä Hurricane Impact Level.
"Halusimme tehdä jotain, jolla pystymme paremmin kommunikoimaan riskin, joka sisältää erilaisia mahdollisuuksia, joita tämä vaara saattaa tuoda", Mahmoud sanoo. "Myrskyn nousu olisi erittäin tärkeä, kuinka suuri sademäärä on erittäin tärkeä ja kuinka suuri tuulen nopeus."
Projekti sisältää tietoja viimeaikaisista myrskyistä - tuulen nopeudesta, myrskyn noususta ja sateista, mutta myös sijainnista ja väestöstä - ja soveltaa neuroverkkoa. Sitten se voi harjoitella itseään arvioimalla, jos esimerkiksi hirmumyrskyn pitäisi laskeutua X-sijaintiin tuulen nopeudella Y, myrskyn nousulla Z jne., Vahingot olisivat todennäköisesti tietyn suuruisia, ilmaistuna taloudellisina kustannuksina. Se vertaa NOAA-tietueiden, väestötietojen ja muiden lähteiden tuloja todellisista myrskyistä ja antaa vahinkoa, joka on samanlainen kuin kyseisissä myrskyissä. Mahmoudin joukkue yritti sitä todellinen, ja kahden viime vuoden aikana malli on antanut tarkat arviot hurrikaaneista, jotka ovat tehneet rantautumisen.
”Jos voimme tehdä niin, voimme ehkä ensinnäkin ymmärtää hurrikaanin takia koettavan vahingon suuruuden ja… käyttää sitä evakuointikäskyjen antamiseen, jotka ovat olleet yksi tärkeimmistä käsittelee hurrikaanin lieventämistä ja reagointia ”, Mahmoud sanoo.
Mahmoudin ehdotettua järjestelmää ei ole vielä otettu käyttöön, mutta hän on keskustellut The Weather Channelin kanssa, jota hän kutsuu varhaisessa vaiheessa, mutta lupaavana.
Weather Company (Weather Channelin emoyhtiö) käyttää jo tytäryhtiönsä IBM: n PAIRS Geoscope -tallennusalustaa ennustamaan sähkökatkoksia ja valmistelemaan siten parempaa reagointia katastrofiin hirmumyrskyjen seurauksena. Järjestelmän sisääntulot eivät tule pelkästään sääsatelliiteilta, vaan myös verkkoverkon malleista ja virrankatkoksen historiasta. Myös näihin ennusteisiin on hyötyä lisäämällä yhä enemmän tietolähteitä, kuten maaperän kosteus, mikä voi auttaa ennustamaan puiden pudotuksia.
Käytettävissä olevan tiedon määrä kasvaa erittäin nopeasti, ja samoin kuin kykymme käsitellä sitä, asekilpailu viittaa tulevaisuuden laajentuvaan tarkkuuteen ja todennäköisyyteen perustuvaan hirmumyrskyyn, joka auttaa myrskyihin varautuneena ympäri maailmaa.
# Leppä, vuorikiipeilijä jaMosesFiresFire # leppä, vuorikiipeilijä jaMosesFires; lat, lon: 36, 220, -118, 620 # EdenFire #Eden; lat, lon: 36, 410, -118, 740; 1718 hehtaaria # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire-signaali (@wildfiresignal) 27. marraskuuta 2018
Descartes Labsin teoksissa on myös toinen projekti, joka ei liity hurrikaaneihin paitsi, että se hyödyntää samanlaista tekniikkaa toisessa luonnonkatastrofissa - metsäpaloissa. Kun Kalifornian leiripalo puhkesi marraskuun alussa, heräsi henkiin twitter-botti nimeltä @wildfiresignal. Saman Descartes-ryhmän rakentama @wildfiresignal indeksoi kuuden tunnin välein GOES-16: lta tietoja palojen vierekkäisistä optisista ja infrapunakuvista. Infrapunainformaatio voi näyttää tulipalon kuumuuden, mikä voi auttaa havaitsemaan sen sijainnin heti, kun tuli on alkamassa tai yöllä, kun savua on vaikea nähdä. Tämä voisi auttaa palomiehiä tai asukkaita suunnittelemaan poistumisreittejä tulen lähestyessä heitä, mutta kuten hurrikaanihankkeessakin, yhteistyö palomiesten tai kansallisten metsien kanssa on alustavaa.
"Jos meillä olisi maailmanlaajuinen hälytysjärjestelmä, jossa tietäisit, milloin tulipalo alkoi kymmenessä minuutissa sen alkamisesta, se olisi mahtavaa", sanoo Descartesin toimitusjohtaja Mark Johnson. "Olemme edelleen todennäköisesti kaukana siitä, mutta se on perimmäinen tavoite."
* Toimittajan huomautus, 28. marraskuuta 2018: Tämän artikkelin edellisessä versiossa todettiin virheellisesti, että Descartes Labsin pääkonttori sijaitsee Los Alamosissa, New Mexico, kun tosiasiallisesti se sijaitsee nyt Santa Fessa, New Mexico. Tarinaa on muokattu tosiasian korjaamiseksi.
