Τα απογεύματα της Παρασκευής, ο Caitlin Kontgis και ορισμένοι από τους άλλους επιστήμονες του Descartes Labs συναντώνται στο γραφείο τους στο Santa Fe του Νέου Μεξικού και κατεβαίνουν για να εργαστούν σε ένα σχέδιο βάσης που δεν αποτελεί μέρος της δουλειάς τους: βλέποντας τους τυφώνες από πάνω και βλέποντας αν μπορεί να καταλάβει τι θα κάνουν οι καταιγίδες. *
Λαμβάνουν δεδομένα από το GOES, τον Γεωστατικό επιχειρησιακό περιβαλλοντικό δορυφόρο που λειτουργεί από την NOAA και τη NASA, η οποία καταγράφει εικόνες του δυτικού ημισφαιρίου κάθε πέντε λεπτά. Αυτός είναι ο χρόνος που χρειάζεται η ομάδα να επεξεργαστεί κάθε εικόνα μέσω ενός αλγορίθμου βαθιάς μάθησης που ανιχνεύει το μάτι ενός τυφώνα και επικεντρώνει τον επεξεργαστή εικόνας πάνω από αυτό. Στη συνέχεια, ενσωματώνουν δεδομένα συνθετικής διάτρησης, τα οποία χρησιμοποιούν ραντάρ μεγάλου μήκους κύματος για να δουν μέσα από τα σύννεφα και μπορούν να διακρίνουν το νερό κάτω από τη βάση της ανακλαστικότητας. Αυτό, με τη σειρά του, μπορεί να δείξει πλημμύρες σχεδόν σε πραγματικό χρόνο, που παρακολουθούνται επί μέρες, πόλεων στην πορεία των τυφώνων.
"Ο στόχος αυτών των έργων ... είναι πραγματικά να αποκτήσουν τα δεδομένα στα χέρια των πρώτων ανταποκριτών και των ανθρώπων που λαμβάνουν αποφάσεις και μπορούν να βοηθήσουν", λέει ο Kontgis, επικεφαλής εφαρμοσμένου επιστήμονα στο Descartes.
Ο τυφώνας Harvey, για παράδειγμα, απροσδόκητα πλημμύρισε μεγάλα τμήματα του Χιούστον παρά τις μειούμενες ταχύτητες ανέμου. Αυτή η καταιγίδα ενέπνευσε τους επιστήμονες του Descartes να χτίσουν το πρόγραμμα που χρησιμοποιούν τώρα, αν και ήταν πολύ αργά για να εφαρμόσουν αυτά τα δεδομένα στις προσπάθειες ανάκαμψης. Ενώ το Descartes Labs έχει έρθει σε επαφή με την FEMA και άλλους οργανισμούς, δεν υπάρχει επίσημη χρήση των δεδομένων που συγκρίνουν.
Αυτή η εικόνα δείχνει την πιθανότητα ύδρευσης πριν από τον τυφώνα Harvey πάνω από την αγροτική περιοχή του νότιου Χιούστον, όπως μετράται από ένα μοντέλο ορατών υπολογιστών για την εκμάθηση βαθιάς μάθησης από το λογισμικό Descartes Labs που προορίζεται για την ανίχνευση πλημμυρών. Η εικόνα "πριν" είναι από την 1η Ιουνίου 2017. (Descartes Labs) 
Αυτή η εικόνα δείχνει την πιθανότητα ύδρευσης κατά τη διάρκεια του τυφώνα Harvey στην ίδια περιοχή. Τα σκοτεινότερα μπλε δείχνουν μεγαλύτερη πιθανότητα ύδατος. Αυτή η εικόνα "κατά τη διάρκεια" είναι από τις 29 Αυγούστου 2017. (Descartes Labs) Η εργασία με τους τυφώνες δεν αποτελεί μέρος της κύριας δραστηριότητας του Descartes, η οποία συνίσταται στη χρήση παρόμοιων μηχανικών μεθόδων για την αξιολόγηση των αλυσίδων εφοδιασμού τροφίμων, των ακινήτων και άλλων. Για παράδειγμα, ο Descartes μπορεί να εξετάσει δορυφορικά δεδομένα της γεωργίας στη Βραζιλία, την Αργεντινή και την Κίνα και να προβεί σε προβλέψεις για τις παγκόσμιες αποδόσεις και τις τιμές του καλαμποκιού. Ή μπορεί να εκτιμήσει τα ποσοστά κατασκευής και να εκτιμήσει την αξία της γης. Όμως, η ομάδα μπορεί να αξιοποιήσει την ίδια τεχνολογία για να εξετάσει τους τυφώνες και άλλες φυσικές καταστροφές και σχεδιάζει να ενσωματώσει επιπλέον πληροφορίες στον αλγόριθμο στο μέλλον, όπως το μέγεθος των τυφώνων, η ταχύτητα του ανέμου και ακόμη και η ανύψωση της γης για να προβλέψουν καλύτερα τις πλημμύρες.
Ο Descartes είναι ένας από τους πολυάριθμους οργανισμούς, εταιρείες και ερευνητικές ομάδες που προσπαθούν να εκμεταλλευτούν τα μεγάλα δεδομένα και την εκμάθηση της μηχανής σχετικά με την πρόβλεψη, την ασφάλεια και την ευαισθητοποίηση των τυφώνα. Η επιτυχία θα μπορούσε να σημαίνει μειωμένες ζημιές - οικονομικές και ανθρώπινες - ενόψει της επιδείνωσης των καταιγίδων που οφείλονται στο κλίμα ή τουλάχιστον αυξημένων εναλλακτικών δυνατοτήτων για την άμβλυνση αυτών των ζημιών.
Η πρόβλεψη όπου θα περάσει ένας τυφώνας είναι μια καθιερωμένη προοπτική, λέει η Amy McGovern, καθηγητής της πληροφορικής στο Πανεπιστήμιο της Οκλαχόμα. Ο McGovern μελετά τη χρήση του AI στη λήψη αποφάσεων σχετικά με τις καταιγίδες και τους ανεμοστρόβιλους, αλλά όχι τους τυφώνες, για το λόγο αυτό. Αλλά λέει ότι εξακολουθούν να υπάρχουν πολλοί παράγοντες στους τυφώνες που είναι δύσκολο να προβλεφθούν. Εκεί όπου θα προσγειωθούν μπορεί να είναι προβλέψιμη, αλλά αυτό που θα συμβεί μόλις φτάσουν εκεί υπάρχει μια άλλη ιστορία. οι τυφώνες είναι γνωστοί για το ξέσπασμα ή την ανάδυση λίγο πριν την άφιξη.
Ακόμη και με νευρωνικά δίκτυα, όλα τα μοντέλα μεγάλης κλίμακας χρησιμοποιούν ορισμένες υποθέσεις, χάρη σε μια πεπερασμένη ποσότητα δεδομένων που μπορούν να ενσωματώσουν και έναν σχεδόν άπειρο αριθμό δυνητικών τύπων εισόδου. "Αυτό καθιστά όλα μια πρόκληση για την AI", λέει ο McGovern. "Τα μοντέλα σίγουρα δεν είναι τέλεια. Τα μοντέλα είναι όλα σε διαφορετικές κλίμακες. Είναι διαθέσιμα σε διαφορετικά χρονικά ψηφίσματα. Όλοι έχουν διαφορετικές προκαταλήψεις. Μια άλλη πρόκληση είναι απλώς η καθαρή συντριπτική ποσότητα δεδομένων. "
Αυτός είναι ένας από τους λόγους που τόσοι πολλοί επιστήμονες κοιτάζουν το AI για να βοηθήσουν στην κατανόηση όλων αυτών των δεδομένων. Ακόμη και η ΝΟΑΑ μπαίνει στο σκάφος. Είναι αυτοί που εκμεταλλεύονται τους δορυφόρους GOES, επομένως κατακλύζονται και με δεδομένα.
Μέχρι στιγμής, οι επιστήμονες της NOAA χρησιμοποιούν τη βαθιά εκμάθηση ως τρόπο κατανόησης των δεδομένων που μπορούν να αποκτήσουν από τις εικόνες τους, ειδικά τώρα που το νέο GOES-16 μπορεί να αντιληφθεί 16 διαφορετικές φασματικές ζώνες, καθεμία από τις οποίες παρέχει μια διαφορετική ματιά στα καιρικά φαινόμενα. μεγέθους περισσότερων δεδομένων από τον προηγούμενο δορυφόρο. "Η επεξεργασία των δορυφορικών δεδομένων μπορεί να είναι σημαντικά ταχύτερη όταν εφαρμόζετε βαθιά μάθηση σε αυτό", λέει ο Jebb Stewart, επικεφαλής της πληροφορικής και της απεικόνισης της NOAA. "Μας επιτρέπει να το δούμε. Υπάρχει ένας πυροσβεστικός σωλήνας πληροφοριών ... όταν το μοντέλο δημιουργεί αυτές τις προβλέψεις, έχουμε ένα διαφορετικό είδος προβλήματος πληροφόρησης, μπορούμε να το επεξεργαστούμε για να το κατανοήσουμε για προβλέψεις ».
Η NOAA εκπαιδεύει τους υπολογιστές της για να διαλέξει τους τυφώνες από τις δορυφορικές εικόνες και τελικά θα συνδυάσει αυτό με άλλα επίπεδα δεδομένων για να βελτιώσει τις πιθανολογούμενες προβλέψεις που θα βοηθήσουν το ναυτικό, τις εμπορικές ναυτιλιακές εταιρείες, τις πετρελαϊκές εγκαταστάσεις και πολλές άλλες βιομηχανίες να λαμβάνουν καλύτερες αποφάσεις λειτουργίες.
Επίσης, η NASA χρησιμοποιεί βαθιά εκμάθηση, για να υπολογίσει την ένταση σε πραγματικό χρόνο των τροπικών καταιγίδων, αναπτύσσοντας αλγοριθμικούς κανόνες που αναγνωρίζουν τα πρότυπα στα ορατά και υπέρυθρα φάσματα. Το εργαλείο του οργανισμού μέσω του διαδικτύου επιτρέπει στους χρήστες να βλέπουν εικόνες και προβλέψεις ταχύτητας ανέμου για ζωντανούς και ιστορικούς τυφώνες βάσει δεδομένων GOES.
Μόλις μπορέσουμε να περιμένουμε υπολογιστές να εντοπίζουν αξιόπιστα τους τυφώνες, χρειαζόμαστε έναν τρόπο να μεταφράσουμε αυτό σε κάτι που οι άνθρωποι μπορούν να καταλάβουν. Υπάρχουν πολύ περισσότερες διαθέσιμες πληροφορίες απ 'ό, τι η ταχύτητα του ανέμου και η κατανόηση του μπορεί να μας βοηθήσει να κατανοήσουμε όλους τους άλλους τρόπους που οι τυφώνες επηρεάζουν τις κοινότητες. Ο Χουσάμ Μαχμούντ, αναπληρωτής καθηγητής αστικής και περιβαλλοντικής μηχανικής στο Κρατικό Πανεπιστήμιο του Κολοράντο, εξέτασε εκτενώς τους παράγοντες που κάνουν κάποιους τυφώνες πιο καταστροφικούς από άλλους. Πρωταρχικό μεταξύ τους, λέει, είναι εκεί που οι καταιγίδες φτάνουν στην ξηρά και τι, ή ποιος, τους περιμένει όταν φτάσουν εκεί. Δεν προκαλεί έκπληξη το γεγονός ότι ένας τυφώνας που χτυπά μια πόλη θα προκαλέσει περισσότερη ζημιά από εκείνη που πλήττει μια ακατοίκητη ακτή, αλλά αυτή που πλήττει μια περιοχή προετοιμασμένη με θαλάσσια τείχη και άλλους μετριαστικούς παράγοντες θα έχει επίσης μειωμένη επίδραση.
Μόλις μάθετε τι είδους ζημιά αναμένετε, μπορείτε να είστε καλύτερα προετοιμασμένοι για τις προκλήσεις που αντιμετωπίζουν οι πόλεις, όπως ο συνωστισμός στα νοσοκομεία και τα σχολικά τερματικά, και μπορείτε να είστε πιο σίγουροι αν η εκκένωση είναι απαραίτητη. Αλλά τότε υπάρχει το πρόβλημα της επικοινωνίας: Σήμερα, οι τυφώνες περιγράφονται από την ταχύτητα του ανέμου τους, τοποθετημένες σε κατηγορίες από το 1 έως το 5. Η ταχύτητα του ανέμου είναι μόνο ένας παράγοντας πρόβλεψης ζημιών. Ο Μαχμούντ και οι συνεργάτες του δημοσίευσαν μια μελέτη πέρυσι στο Frontiers in Built Environment σχετικά με μια αξιολόγηση που ονομάζεται Επίπεδο Επιπτώσεων Τυφώνα.
«Θέλαμε να κάνουμε κάτι όπου μπορούμε να γνωστοποιήσουμε τον κίνδυνο με έναν καλύτερο τρόπο, που περιλαμβάνει τις διάφορες δυνατότητες που μπορεί να φέρει αυτός ο κίνδυνος», λέει ο Mahmoud. "Η αύξηση της καταιγίδας θα είναι πολύ σημαντική, πόση βροχόπτωση έχετε είναι πολύ σημαντική και πόση ταχύτητα ανέμου".
Το έργο ενσωματώνει στοιχεία από πρόσφατες καταιγίδες - ταχύτητα ανέμου, έκρηξη καταιγίδων και βροχοπτώσεις, αλλά και τοποθεσία και πληθυσμό - και εφαρμόζει ένα νευρωνικό δίκτυο σε αυτά. Στη συνέχεια, μπορεί να εκπαιδεύσει τον εαυτό του, εκτιμώντας, για παράδειγμα, εάν ένας τυφώνας πρέπει να πετάξει στην τοποθεσία Χ, με ταχύτητα ανέμου Υ, αύξηση καταιγίδας Ζ κ.λπ., η ζημιά θα είχε πιθανώς ένα συγκεκριμένο επίπεδο, εκπεφρασμένο σε οικονομικό κόστος. Συγκρίνει τις εισροές από τα αρχεία NOAA, τα δεδομένα απογραφής και άλλες πηγές από πραγματικές καταιγίδες και δίνει ένα επίπεδο ζημιάς που είναι παρόμοιο με αυτό που συνέβη σε αυτές τις καταιγίδες. Η ομάδα του Μαχμούντ την προσπάθησε να γίνει πραγματικότητα και τα τελευταία δύο χρόνια το μοντέλο έδωσε ακριβείς εκτιμήσεις για τους τυφώνες που έπληξαν την ξηρά.
"Εάν μπορούμε να το κάνουμε αυτό, ίσως πρώτα απ 'όλα καταλαβαίνουμε το μέγεθος της βλάβης που πρόκειται να βιώσουμε εξαιτίας ενός τυφώνα και ... να το χρησιμοποιήσουμε για να εκδώσουμε εντολές εκκένωσης, οι οποίες ήταν μία από τις κυριότερες θέματα με τον μετριασμό των τυφώνων και την αντίδραση ", λέει ο Mahmoud.
Το προτεινόμενο σύστημα του Μαχμούντ δεν έχει ξετυλιχθεί ακόμα, αλλά βρίσκεται σε συνομιλίες με το Weather Channel, το οποίο ονομάζει πρώιμο στάδιο, αλλά υποσχόμενος.
Η εταιρεία Weather (Η μητρική εταιρεία του Weather Channel) χρησιμοποιεί ήδη την πλατφόρμα πλατφόρμας δεδομένων PAIRS Geoscope της θυγατρικής της IBM για την πρόβλεψη διακοπών ρεύματος και την προετοιμασία καλύτερης αντιμετώπισης καταστροφών μετά από τυφώνες. Οι είσοδοι για το σύστημα δεν προέρχονται μόνο από δορυφόρους καιρού, αλλά από μοντέλα δικτύου κοινής ωφέλειας και ιστορικό διακοπής ρεύματος. Και αυτές οι προβλέψεις θα επωφεληθούν από την προσθήκη όλο και περισσότερων πηγών δεδομένων, συμπεριλαμβανομένης της υγρασίας του εδάφους, η οποία μπορεί να βοηθήσει στην πρόβλεψη της πτώσης των δένδρων.
Ο όγκος των διαθέσιμων δεδομένων αυξάνεται εξαιρετικά γρήγορα και η ικανότητα μας να το επεξεργαστούμε, ένας αγώνας εξοπλισμών που δείχνει ένα μέλλον αυξανόμενης ακρίβειας και πιθανολογικής πρόβλεψης τυφώνα που θα βοηθήσει στην ετοιμότητα για την καταιγίδα σε όλο τον κόσμο.
# Άλτερ, Ορειβάτης, και ΜοσούφεςΦύκτρα # Άλντερ, Ορειβάτης και ΜοίρεςΦίρες. lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740. 1718 στρέμματα # CAfire pic.twitter.com/B2ZwfmxJiv
- Σήμα Wildfire (@wildfiresignal) 27 Νοεμβρίου 2018
Το Descartes Labs έχει άλλο έργο στα έργα, επίσης, άσχετο με τυφώνες, εκτός από το ότι αξιοποιεί παρόμοια τεχνολογία σε άλλη φυσική καταστροφή - πυρκαγιές. Όταν η Πυροσβεστική πυρκαγιά της Καλιφόρνια ξέσπασε στις αρχές Νοεμβρίου, ένα bot twitter που ονομάζεται @wildfiresignal έφτασε στη ζωή. Χτισμένο από την ίδια ομάδα από τον Descartes, το @wildfiresignal μεταδίδει δεδομένα κάθε έξι ώρες από το GOES-16 για καπνούς και tweets παράπλευρες οπτικές και υπέρυθρες εικόνες της φωτιάς. Οι πληροφορίες υπέρυθρης ακτινοβολίας μπορούν να δείξουν τη θερμότητα της φωτιάς, η οποία μπορεί να βοηθήσει στην απεικόνιση της θέσης της ακριβώς όπως αρχίζει η πυρκαγιά ή τη νύχτα όταν ο καπνός είναι δύσκολο να δει κανείς. Αυτό θα μπορούσε να βοηθήσει τους πυροσβέστες ή τους κατοίκους να σχεδιάσουν διαδρομές διαφυγής καθώς πλησιάζει η φωτιά, αλλά, όπως συμβαίνει με το σχέδιο τυφώνα, οι συνεργασίες με πυροσβέστες ή εθνικά δάση είναι προκαταρκτικές.
"Αν μπορούσαμε να έχουμε ένα σύστημα συναγερμού παγκοσμίως, όπου γνωρίζατε πότε άρχισε μια πυρκαγιά μέσα σε δέκα λεπτά από τότε που ξεκίνησε, αυτό θα ήταν θεαματικό" λέει ο Mark Johnson, Διευθύνων Σύμβουλος της Descartes. "Είμαστε ακόμα πιθανότατα μακριά από αυτό, αλλά αυτός είναι ο απώτερος στόχος."
Σημείωση συντάκτη, 28 Νοεμβρίου 2018: Μια προηγούμενη έκδοση αυτού του άρθρου δήλωσε εσφαλμένα ότι η έδρα της εταιρείας για το Descartes Labs βρίσκεται στο Los Alamos του Νέου Μεξικού, όταν στην πραγματικότητα βρίσκεται τώρα στο Santa Fe του Νέου Μεξικού. Η ιστορία έχει τροποποιηθεί για να διορθώσει αυτό το γεγονός.
