В петък следобед Кейтлин Контгис и някои от другите учени в лабораториите Декарт се събират в своя Санта Фе, Ню Мексико, офиса и се заемат да работят по основен проект, който не е част от техните задачи: да гледат урагани отгоре и да видят дали може да разбере какво ще правят бурите. *
Те получават данни от GOES, геостационарния оперативен екологичен спътник, управляван от NOAA и НАСА, който записва изображения на Западното полукълбо на всеки пет минути. Това е за това колко време отнема екипът да обработва всяко изображение чрез задълбочен алгоритъм за учене, който открива окото на ураган и центрира процесора за изображения над това. След това те включват синтетични данни за блендата, която използва дълговълнов радар за гледане през облаци и може да различи водата отдолу въз основа на отразяващата способност. Това от своя страна може да покаже почти наводняване в реално време, проследено през дни, на градове по пътя на ураганите.
„Целта на тези проекти ... е наистина да получат данни в ръцете на първите респонденти и хора, които вземат решения и могат да помогнат“, казва Контгис, водещ приложен учен в Декарт.
Ураганът Харви, например, неочаквано наводни големи части от Хюстън, въпреки намаляването на скоростта на вятъра. Тази буря вдъхнови учените на Декарт да изградят програмата, която сега използват, макар че бяха твърде късно да приложат тези данни за усилия за възстановяване. Докато Лабораториите на Декарт са във връзка с FEMA и други организации, няма официално използване на данните, които те съберат.
Това изображение показва вероятността на водата преди урагана Харви над южния район на Хюстън в селските райони, измерена чрез модел на компютърно зрение за дълбоко обучение от лаборатории Декарт, предназначен за откриване на наводнения. Изображението „преди“ е от 1 юни 2017 г. (Лаборатории на Декарт) 
Това изображение показва вероятността на водата по време на урагана Harvey над същия район. По-тъмните блуси показват по-голяма вероятност за вода. Това изображение „по време“ е от 29 август 2017 г. (Лаборатории на Декарт) Работата с урагани не е част от основната дейност на Декарт, която се състои в използване на подобно машинно обучение за оценка на веригите за доставка на храни, недвижими имоти и други. Например Декарт може да разгледа сателитни данни за селското стопанство в Бразилия, Аржентина и Китай и да направи прогнози за световните добиви и цени на царевицата. Или може да оцени степента на строителство и да оцени стойността на земята. Но групата може да използва същата технология за изследване на урагани и други природни бедствия и планира в бъдеще да включи допълнителна информация към алгоритъма, като размер на урагана, скорост на вятъра и дори повишаване на сушата, за да се прогнозира по-добре наводнението.
Декарт е само една от многобройните агенции, компании и изследователски групи, които се опитват да използват големи данни и машинно обучение за прогнозиране на урагани, безопасност и информираност. Успехът може да означава намалени щети - икономически и човешки - в условията на влошаващи се климатични бури или поне увеличени възможности за намаляване на тези щети.
Прогнозата къде ще отиде ураганът е добре установена перспектива, казва Ейми МакГовърн, професор по компютърни науки в Университета в Оклахома. McGovern изучава използването на AI при вземане на решения за гръмотевични бури и торнадо, но не и урагани, поради тази причина. Но тя казва, че все още има много фактори при ураганите, които са трудни за предвиждане. Къде ще кацнат може да е предвидимо, но какво ще се случи, след като стигнат, има друга история; ураганите са добре известни с това, че се измъкват или се издигат непосредствено преди сушата.
Дори при невронните мрежи, широкомащабните модели използват някои предположения, благодарение на ограничен обем данни, които могат да включат и почти безкраен брой потенциални видове вход. "Това прави всичко предизвикателство за AI", казва Макговърн. „Моделите определено не са перфектни. Всички модели са в различни мащаби. Те се предлагат в различни времеви разделителни способности. Всички те имат различни пристрастия. Друго предизвикателство е просто огромното огромно количество данни. "
Това е една от причините толкова много учени да се стремят към ИИ, за да помогнат да разберат всички тези данни. Дори NOAA се качва на борда. Те са тези, които управляват спътниците GOES, така че и те са затрупани с данни.
Засега учените на NOAA използват дълбокото обучение като начин да разберат какви данни могат да получат от своите изображения, особено сега, когато новият GOES-16 може да усети 16 различни спектрални ленти, всяка от които осигурява различен поглед върху метеорологичните модели, което води до порядък повече данни от предишния спътник. „Обработката на сателитните данни може да бъде значително по-бърза, когато приложите задълбочено обучение към нея“, казва Джеб Стюарт, ръководител на информатиката и визуализацията в NOAA. „Това ни позволява да го разгледаме. Има пожарен маркуч с информация ... когато моделът създава тези прогнози, ние имаме различен тип информационен проблем и можем да го обработим, за да го осмислим за прогнозите. "
NOAA обучава компютрите си да избират урагани от своите сателитни изображения и в крайна сметка ще комбинира това с други слоеве данни за подобряване на вероятностните прогнози, което ще помогне на ВМС, търговските корабоплавателни компании, петролните платформи и много други индустрии да вземат по-добри решения за своите операции.
НАСА също използва задълбочено обучение, за да оцени интензивността на тропическите бури в реално време, разработвайки алгоритмични правила, разпознаващи модели във видимия и инфрачервения спектър. Уеб базиран инструмент на агенцията позволява на потребителите да виждат изображения и прогнози за скоростта на вятъра за живи и исторически урагани въз основа на данни на GOES.
След като можем да очакваме компютрите да забелязват надеждно ураганите, се нуждаем от начин да го преведем в нещо, което хората могат да разберат. Налична е много повече информация, отколкото само скоростта на вятъра, и осмислянето й може да ни помогне да разберем всички други начини, по които ураганите засягат общностите. Хусам Махмуд, доцент по гражданско и екологично инженерство в Колорадоския държавен университет, разгледа подробно факторите, които правят някои урагани по-катастрофални от други. Основно сред тях, според него, са местата, където тези бури правят сушата и какво или кой ги чака, когато стигнат до там. Не е изненадващо да предположим, че ураган, който нанесе удар върху град, ще причини повече щети от този, който удари незасегнат бряг, но този, който удари зона, подготвена с морски стени и други смекчаващи фактори, също ще окаже намалено въздействие.
След като знаете какъв вид щети очаквате, можете да бъдете по-добре подготвени за предизвикателствата пред градовете, като струпване в болници и спиране на училищата, и можете да бъдете по-сигурни дали евакуацията е необходима. Но тогава има проблемът с комуникацията: В момента ураганите се описват от скоростта на вятъра им, поставени в категории от 1 до 5. Но скоростта на вятъра е само един предсказател за щети. Махмуд и неговите сътрудници публикуваха проучване миналата година в Frontiers in Built Environment относно оценка, наречена ниво на въздействие на урагана.
„Искахме да направим нещо, където можем да съобщим риска по по-добър начин, което включва различните възможности, които тази опасност може да донесе“, казва Махмуд. "Бурята ще бъде много важна, колко валежи имате много важни и колко вятърна скорост."
Проектът включва данни от скорошни бури - скорост на вятъра, буря и валежи, но също така местоположение и население - и прилага невронна мрежа към тях. Тогава тя може да тренира себе си, преценявайки например, ако ураганът трябва да направи суша на място X, със скорост на вятъра Y, бурен удар Z и др., Щетите вероятно ще бъдат от определено ниво, изразени в икономически разходи. Той сравнява входовете от записи на NOAA, данните от преброяването и други източници от истински бури и дава ниво на щета, подобно на това, което се е случило в тези бури. Екипът на Махмуд го опита истински и през последните две години моделът даде точни оценки за урагани, които направиха суша.
„Ако можем да направим това, може би тогава можем, първо, да разберем степента на щетите, които ще преживеем поради ураган, и… да го използваме за издаване на заповеди за евакуация, които бяха едни от основните проблеми със смекчаването на ураганите и реакцията им “, казва Махмуд.
Предложената система на Махмуд все още не е въведена, но той преговаря с The Weather Channel, който нарича ранен етап, но обещаващ.
Метеорологичната компания (компанията-майка на Weather Channel) вече използва платформата за големи данни на IBM PAIRS Geoscope за да прогнозира прекъсвания на електрозахранването и по този начин да подготви по-добра реакция при бедствия след урагани. Входът за системата идва не само от метеорологичните спътници, но и от моделите на полезните мрежи и историята на прекъсване на захранването. Тези прогнози също ще имат полза от добавяне на все повече източници на данни, включително влагата на почвата, което може да помогне за прогнозиране на падането на дърветата.
Обемът на наличните данни нараства изключително бързо и такава е и нашата способност да го обработваме, състезание с оръжие, сочещо бъдеще на разширяваща се точност и вероятностно прогнозиране на урагани, което ще помогне за готовност за бури в целия свят.
# Alder, Mountaineer, andMosesFiresFire # Alder, Mountaineer иMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 дка # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27 ноември 2018 г.
„Декарт Лаборас“ има и друг проект в произведенията, който също не е свързан с урагани, освен че използва подобна технология при друга природна катастрофа - диви пожари. Когато в началото на ноември в Калифорнийския огън избухна лагер, бот на Twitter, наречен @wildfiresignal, оживя. Построен от същия екип от Декарт, @wildfiresignal раздвижва данни на всеки шест часа от GOES-16 за димните тръби и туитове отстрани оптични и инфрачервени изображения на огъня. Инфрачервената информация може да показва топлината на огъня, което може да помогне за визуализиране на местоположението му точно когато пламъкът започва или през нощта, когато димът е трудно да се види. Това би могло да помогне на пожарникарите или жителите да планират пътища за бягство, тъй като огънят се приближава до тях, но, както при проекта за урагани, сътрудничеството с пожарникарите или националните гори са предварителни.
„Ако бихме могли да имаме система за сигнализиране в световен мащаб, където да разберете, че пожар е започнал в рамките на десет минути след началото, това би било зрелищно“, казва изпълнителният директор на „Декарт“ Марк Джонсън. „Все още вероятно сме далеч от това, но това е крайната цел.“
* Забележка на редактора, 28 ноември 2018 г.: Предишна версия на тази статия неправилно заяви, че централата на Descartes Labs е в Лос Аламос, Ню Мексико, когато всъщност сега се намира в Санта Фе, Ню Мексико. Историята е редактирана, за да коригира този факт.
