Pada petang Jumaat, Caitlin Kontgis dan beberapa saintis lain di Descartes Labs bersidang di Santa Fe, New Mexico, pejabat mereka dan turun ke kerja pada projek akar umbi yang bukan sebahagian daripada pekerjaan mereka: menonton badai dari atas, dan melihat jika mereka boleh memikirkan apa yang akan berlaku ribut. *
Mereka memperoleh data dari GOES, Satelit Alam Sekitar Operasi Geostasionary yang dikendalikan oleh NOAA dan NASA, yang merekodkan imej dari Hemisfera Barat setiap lima minit. Itu mengenai berapa lama pasukan itu memproses setiap imej melalui algoritma pembelajaran mendalam yang mengesan mata badai dan memusatkan pemproses imej ke atasnya. Kemudian, mereka menggabungkan data apertur sintetik, yang menggunakan radar gelombang panjang untuk melihat melalui awan, dan dapat membezakan air di bawah berdasarkan pemantulan. Itu, pada gilirannya, dapat menunjukkan hampir banjir masa sebenar, dikesan selama beberapa hari, bandar-bandar di jalanan taufan.
"Matlamat projek-projek ini ... adalah untuk mendapatkan data ke tangan responden pertama dan orang-orang yang membuat keputusan dan dapat membantu, " kata Kontgis, ilmuwan diterapkan ilmuwan di Descartes.
Taufan Harvey, sebagai contoh, secara tiba-tiba membanjiri bahagian-bahagian besar Houston walaupun menghancurkan kelajuan angin. Ribut itu mengilhamkan para saintis Descartes untuk membina program yang kini mereka gunakan, walaupun mereka terlalu terlambat untuk memohon data tersebut untuk usaha pemulihan. Sedangkan Descartes Labs telah berhubung dengan FEMA dan organisasi lain, tidak ada penggunaan rasmi untuk data yang mereka sumbang.
Gambaran ini menunjukkan kebarangkalian air sebelum Hurricane Harvey di kawasan selatan selatan Houston, seperti yang diukur oleh model visi komputer pembelajaran mendalam dari Descartes Labs yang bertujuan untuk pengesanan banjir. Imej "sebelumnya" adalah dari 1 Jun, 2017. (Descartes Labs) 
Imej ini menunjukkan kebarangkalian air semasa Hurricane Harvey ke kawasan yang sama. Blues yang lebih gelap menunjukkan kebarangkalian air yang lebih tinggi. Imej "semasa" ini adalah dari 29 Ogos 2017. (Descartes Labs) Kerja dengan taufan bukanlah sebahagian daripada perniagaan utama Descartes, yang terdiri daripada pembelajaran mesin yang sama untuk menilai rantaian bekalan makanan, hartanah dan banyak lagi. Sebagai contoh, Descartes boleh melihat data satelit pertanian di Brazil, Argentina, dan China, dan membuat ramalan mengenai hasil dan harga jagung global. Atau ia boleh menilai kadar pembinaan dan menganggarkan nilai tanah. Tetapi kumpulan itu dapat memanfaatkan teknologi yang sama untuk mengkaji taufan dan bencana alam yang lain, dan merancang untuk memasukkan maklumat tambahan kepada algoritma pada masa akan datang, seperti saiz taufan, kelajuan angin, dan juga ketinggian darat untuk meramalkan lebih baik banjir.
Descartes adalah salah satu daripada banyak agensi, syarikat dan kumpulan penyelidikan yang cuba memanfaatkan data besar dan pembelajaran mesin mengenai ramalan taufan, keselamatan dan kesedaran. Kejayaan itu boleh merosakkan ganti rugi - ekonomi dan manusia - dalam menghadapi ribut badai yang disebabkan oleh iklim, atau sekurang-kurangnya meningkatkan pilihan untuk mengurangkan kerosakan tersebut.
Meramalkan di mana taufan akan pergi adalah perspektif yang mantap, kata Amy McGovern, seorang profesor sains komputer di University of Oklahoma. McGovern mengkaji penggunaan AI dalam membuat keputusan mengenai ribut petir dan tornado, tetapi bukan ribut taufan, atas sebab itu. Tetapi dia mengatakan masih terdapat banyak faktor dalam taufan yang sukar diramalkan. Di mana mereka akan mendarat boleh diramalkan, tetapi apa yang akan berlaku apabila mereka mendapat cerita lain; ribut taufan yang terkenal kerana menderita atau meredakan sebelum kemalangan.
Walaupun dengan rangkaian saraf, model berskala besar menggunakan semua anggapan tertentu, terima kasih kepada sejumlah besar data yang dapat mereka sertakan dan bilangan input potensi yang hampir tidak terhingga. "Ini menjadikan semua cabaran untuk AI, " kata McGovern. "Modelnya pasti tidak sempurna. Model-model ini adalah pada skala yang berbeza, Mereka boleh didapati pada resolusi masa yang berbeza. Mereka semua mempunyai kecenderungan yang berbeza. Cabaran lain hanyalah jumlah data yang sangat besar. "
Itu sebabnya ramai saintis mencari AI untuk membantu memahami semua data itu. Bahkan NOAA sedang naik. Mereka adalah orang-orang yang mengendalikan satelit GOES, sehingga mereka dibanjiri data juga.
Setakat ini, saintis NOAA menggunakan pembelajaran mendalam sebagai cara untuk memahami data yang boleh diperolehi daripada imej mereka, terutamanya sekarang bahawa GOES-16 baru dapat merasakan 16 kumpulan spektrum yang berbeza, masing-masing memberikan gambaran yang berbeza kepada corak cuaca, menghasilkan urutan magnitud lebih banyak data daripada satelit sebelum ini. "Pemprosesan data satelit boleh menjadi lebih cepat apabila anda menggunakan pembelajaran mendalam kepadanya, " kata Jebb Stewart, ketua informatika dan penglihatan di NOAA. "Ia membolehkan kita melihatnya. Terdapat hos api maklumat ... apabila model mencipta ramalan ini, kita mempunyai jenis masalah maklumat yang berbeza, dapat memprosesnya untuk memahami ramalannya. "
NOAA sedang melatih komputernya untuk memilih taufan dari imejan satelitnya, dan akhirnya akan menggabungkannya dengan lapisan data lain untuk meningkatkan ramalan probabilistik, yang akan membantu Angkatan Laut, syarikat perkapalan komersial, pelantar minyak dan banyak industri lain membuat keputusan yang lebih baik mengenai mereka operasi.
NASA, juga menggunakan pembelajaran mendalam, untuk menganggarkan kehebatan masa sebenar ribut tropika, membangunkan peraturan algoritma yang mengenali corak dalam spektrum yang kelihatan dan inframerah. Alat berasaskan web agensi ini membolehkan pengguna melihat imej dan ramalan kelajuan angin untuk taufan secara langsung dan bersejarah berdasarkan data GOES.
Sekali kita boleh mengharapkan komputer untuk mengesan ribut taufan, kita memerlukan cara untuk menterjemahkannya kepada sesuatu yang orang boleh faham. Terdapat lebih banyak maklumat yang boleh didapati daripada kelajuan angin sahaja, dan memahaminya dapat membantu kita memahami semua cara lain yang menyebabkan angin ribut mempengaruhi komuniti. Hussam Mahmoud, profesor kejuruteraan sivil dan alam sekitar di Colorado State University, telah melihat secara meluas mengenai faktor-faktor yang menjadikan sesetengah taufan lebih buruk daripada yang lain. Utama di kalangan mereka, katanya, adalah di mana ribut-ribut itu membuat daratan, dan apa, atau siapakah yang menanti mereka ketika mereka sampai di sana. Tidak menghairankan untuk mencadangkan bahawa taufan yang menyerang sebuah bandar akan melakukan lebih banyak kerosakan daripada satu yang memasuki pantai yang tidak didiami, tetapi satu yang memasuki kawasan yang disediakan dengan dinding laut dan faktor pengurangan lain akan mempunyai kesan berkurang juga.
Sebaik sahaja anda tahu apa jenis kerosakan yang anda harapkan, anda boleh menjadi lebih baik untuk menghadapi cabaran-cabaran ke bandar, seperti berkumpul di hospital dan penutupan sekolah, dan anda pasti lebih pasti sama ada pemindahan diperlukan. Tetapi kemudian ada masalah komunikasi: Pada masa ini, taufan digambarkan oleh kelajuan angin mereka, diletakkan dalam kategori dari 1 hingga 5. Tetapi kelajuan angin adalah satu peramal kerosakan. Mahmoud dan rakan-rakannya menerbitkan satu kajian tahun lepas di Frontiers dalam Bina Alam sekitar mengenai penilaian yang dikenali sebagai Tahap Impak Hurricane.
"Kami mahu melakukan sesuatu di mana kita boleh menyampaikan risiko dengan cara yang lebih baik, termasuk kemungkinan berlainan kemungkinan bahaya ini, " kata Mahmoud. "Lonjakan ribut akan sangat penting, berapa banyak hujan yang anda ada sangat penting, dan berapa kelajuan angin."
Projek itu menggabungkan data dari ribut baru-baru ini - kelajuan angin, lonjakan ribut dan hujan, tetapi juga lokasi dan penduduk - dan menggunakan rangkaian saraf kepada mereka. Maka ia boleh melatih dirinya sendiri, menganggarkan, contohnya, jika taufan harus membuat tanah di lokasi X, dengan kelajuan angin Y, ribut ribut Z, dan lain-lain, kerosakan mungkin akan menjadi tahap tertentu, dinyatakan dalam kos ekonomi. Ia membandingkan input dari rekod NOAA, data banci dan sumber lain dari ribut sebenar, dan memberikan tahap kerosakan yang serupa dengan apa yang terjadi di ribut tersebut. Pasukan Mahmoud mencuba untuk nyata, dan dalam tempoh dua tahun yang lalu, model itu telah memberikan anggaran yang tepat untuk taufan yang membuat daratan.
"Sekiranya kita boleh berbuat demikian, mungkin kita dapat, pertama sekali, memahami besarnya kerosakan yang akan kita alami akibat taufan, dan ... menggunakannya untuk mengeluarkan perintah pemindahan, yang telah menjadi salah satu utama isu dengan mitigasi dan tindak balas taufan, "kata Mahmoud.
Sistem cadangan Mahmoud belum dilancarkan, tetapi dia sedang berbincang dengan The Weather Channel, yang dia panggil peringkat awal, tetapi menjanjikan.
Syarikat Cuaca (syarikat induk Weather Channel) telah menggunakan anak syarikatnya platform data BigOS Geoscope IBM untuk meramalkan pemadaman kuasa dan dengan itu menyediakan tindak balas bencana yang lebih baik berikutan taufan. Input untuk sistem datang bukan hanya dari satelit cuaca, tetapi dari model rangkaian utiliti dan sejarah pemadaman kuasa. Ramalan ini juga akan mendapat manfaat daripada menambah lebih banyak sumber data, termasuk kelembapan tanah, yang dapat membantu meramal pokok jatuh.
Jumlah data yang tersedia berkembang dengan pesat, dan begitu juga keupayaan kami memprosesnya, perlumbaan senjata menunjuk kepada masa depan untuk meluaskan ketepatan dan ramalan taufan probabilistik yang akan membantu kesediaan ribut di seluruh dunia.
# Alder, Mountaineer, andMosesFiresFire # Alder, Mountaineer, andMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 ekar # CAfire pic.twitter.com/B2ZwfmxJiv
- Isyarat Wildfire (@wildfiresignal) 27 November 2018
Descartes Labs mempunyai satu lagi projek dalam kerja-kerja, juga, yang tidak berkaitan dengan taufan kecuali bahawa ia memanfaatkan teknologi serupa pada bencana alam yang lain - kebakaran hutan. Apabila Kebakaran Camp California berlaku pada awal bulan November, sebuah bot twitter yang dipanggil @wildfiresignal muncul semula. Dibina oleh pasukan yang sama dari Descartes, @wildfiresignal memprogram data setiap enam jam dari GOES-16 untuk mengisap asap dan tweet gambar-gambar bersebelahan optik dan inframerah api. Maklumat inframerah dapat menunjukkan panas api, yang dapat membantu memvisualisasikan lokasinya seperti api mulai, atau pada waktu malam ketika asap sulit dilihat. Hal ini dapat membantu petugas pemadam kebakaran atau penduduk melancarkan laluan melarikan diri apabila api menghampiri mereka, tetapi, seperti projek taufan, kerjasama dengan pemadam kebakaran atau hutan nasional adalah awal.
"Jika kita boleh mempunyai sistem peringatan di seluruh dunia di mana anda tahu apabila kebakaran bermula dalam sepuluh minit selepas ia bermula, itu akan menjadi hebat, " kata Ketua Pegawai Eksekutif Descartes, Mark Johnson. "Kami masih mungkin cara jauh dari itu, tapi itu matlamat utama."
* Catatan Editor, 28 November 2018: Versi sebelumnya artikel ini salah menyatakan bahawa ibu pejabat Descartes Labs berada di Los Alamos, New Mexico, ketika sebenarnya, ia sekarang terletak di Santa Fe, New Mexico. Kisah itu telah diedit untuk membetulkan fakta itu.
