Во второй половине дня в пятницу Кейтлин Контгис и некоторые другие ученые из лаборатории Декарта собираются в своем офисе в Санта-Фе, штат Нью-Мексико, и приступают к работе над массовым проектом, который не является частью их работы: наблюдать за ураганами сверху и наблюдать, может выяснить, что будут делать штормы. *
Они получают данные от GOES, Геостационарного оперативного спутника окружающей среды, эксплуатируемого NOAA и NASA, который каждые пять минут записывает изображения Западного полушария. Речь идет о том, сколько времени понадобится команде, чтобы обработать каждое изображение с помощью алгоритма глубокого обучения, который обнаруживает ураганный глаз и центрирует процессор изображения над этим. Затем они включают в себя данные синтетической апертуры, которые используют длинноволновый радар, чтобы видеть сквозь облака, и могут различать воду под ними на основе отражательной способности. Это, в свою очередь, может свидетельствовать о наводнениях почти в реальном времени городов, находящихся на пути ураганов.
«Цель этих проектов ... действительно состоит в том, чтобы передать данные в руки тех, кто первым реагирует, и людей, которые принимают решения и могут помочь», - говорит Контгис, ведущий специалист-прикладник из Декарта.
Ураган Харви, например, неожиданно затопил большую часть Хьюстона, несмотря на снижение скорости ветра. Этот шторм вдохновил ученых Декарта на создание программы, которую они сейчас используют, хотя они уже опоздали, чтобы применить эти данные для восстановления. Хотя Descartes Labs поддерживает связь с FEMA и другими организациями, официальные данные, которые они собирают, официально не используются.
На этом изображении показана вероятность воды перед ураганом Харви над сельским районом южной части Хьюстона, измеренная с помощью модели компьютерного зрения с глубоким обучением от лаборатории Декарта, предназначенной для обнаружения наводнений. «До» изображение с 1 июня 2017 года. (Descartes Labs) 
Это изображение показывает вероятность воды во время урагана Харви в той же области. Более темный синий цвет указывает на более высокую вероятность воды. Это «во время» изображение с 29 августа 2017 года. (Descartes Labs) Работа с ураганами не является частью основного бизнеса Декарта, который заключается в использовании аналогичного машинного обучения для оценки цепочек поставок продуктов питания, недвижимости и многого другого. Например, Декарт может посмотреть спутниковые данные о сельском хозяйстве в Бразилии, Аргентине и Китае и сделать прогнозы относительно мировых урожаев и цен на кукурузу. Или он может оценить темпы строительства и оценить стоимость земли. Но группа может использовать ту же технологию для изучения ураганов и других стихийных бедствий и планирует в будущем включить в алгоритм дополнительную информацию, такую как размер урагана, скорость ветра и даже высота над уровнем моря, чтобы лучше прогнозировать наводнения.
Декарт - лишь одно из многочисленных агентств, компаний и исследовательских групп, пытающихся использовать большие данные и машинное обучение для прогнозирования ураганов, безопасности и осведомленности. Успех может означать уменьшение ущерба - как экономического, так и человеческого - перед лицом усиливающихся климатических штормов или, по крайней мере, расширение возможностей для смягчения этого ущерба.
По словам Эми Макговерн, профессора компьютерных наук в Университете Оклахомы, прогнозирование того, куда пойдет ураган, является общепризнанной перспективой. По этой причине Макговерн изучает использование ИИ при принятии решений о грозах и торнадо, но не ураганах. Но она говорит, что в ураганах все еще много факторов, которые трудно предсказать. То, где они приземлятся, может быть предсказуемо, но то, что произойдет, когда они попадут туда, - это другая история; ураганы хорошо известны тем, что они терпят неудачу или нарастают непосредственно перед высадкой на берег.
Даже с нейронными сетями все крупные модели используют определенные допущения благодаря ограниченному объему данных, которые они могут включать, и почти бесконечному числу потенциальных типов ввода. «Это создает все трудности для ИИ», - говорит Макговерн. «Модели определенно не идеальны. Все модели в разных масштабах, они доступны в разных разрешениях времени. Все они имеют разные предубеждения. Другая проблема - просто огромное количество данных ».
Это одна из причин, по которой многие ученые обращаются к ИИ, чтобы помочь понять все эти данные. Даже NOAA попадает на борт. Именно они управляют спутниками GOES, поэтому они также завалены данными.
До сих пор ученые NOAA использовали глубокое обучение как способ понять, какие данные они могут получить из своих изображений, особенно теперь, когда новый GOES-16 может воспринимать 16 различных спектральных диапазонов, каждый из которых обеспечивает различный взгляд на погодные условия, что приводит к На порядок больше данных, чем на предыдущем спутнике. «Обработка спутниковых данных может быть значительно быстрее, если вы примените к ним глубокое обучение», - говорит Джеб Стюарт, руководитель отдела информатики и визуализации в NOAA. «Это позволяет нам смотреть на это. Существует пожарный канал информации ... когда модель создает эти прогнозы, у нас возникает проблема с информационным типом другого типа, и мы можем обработать ее, чтобы понять ее для прогнозов ».
NOAA обучает свои компьютеры распознавать ураганы из своих спутниковых снимков и в конечном итоге объединит их с другими уровнями данных для улучшения вероятностных прогнозов, что поможет ВМФ, коммерческим судоходным компаниям, нефтяным вышкам и многим другим отраслям принимать более правильные решения относительно своих операции.
НАСА также использует глубокое обучение для оценки интенсивности тропических штормов в реальном времени, разрабатывая алгоритмические правила, которые распознают закономерности в видимом и инфракрасном спектрах. Веб-инструмент агентства позволяет пользователям просматривать изображения и прогнозы скорости ветра для живых и исторических ураганов на основе данных GOES.
Как только мы можем ожидать, что компьютеры будут надежно определять ураганы, нам нужен способ перевести это на то, что люди могут понять. Доступно гораздо больше информации, чем просто скорость ветра, и ее понимание поможет нам понять все другие способы воздействия ураганов на сообщества. Хассам Махмуд, доцент кафедры гражданского и экологического проектирования в Университете штата Колорадо, внимательно изучил факторы, которые делают некоторые ураганы более катастрофическими, чем другие. По его словам, среди них первостепенное значение имеет то, где эти штормы обрушиваются на сушу, и что или кто их ждет, когда они туда доберутся. Неудивительно предположить, что ураган, обрушившийся на город, нанесет больший урон, чем ураган, обрушившийся на незанятое побережье, но тот, который обрушится на территорию, подготовленную морскими стенами и другими смягчающими факторами, также окажет уменьшенное воздействие.
Как только вы знаете, какой ущерб ожидать, вы сможете лучше подготовиться к вызовам в городах, таким как переполненность больниц и закрытие школ, и вы можете быть более уверенными в необходимости эвакуации. Но есть и проблема связи: в настоящее время ураганы характеризуются скоростью ветра, которая классифицируется по категориям от 1 до 5. Но скорость ветра является лишь одним предиктором ущерба. Махмуд и его сотрудники опубликовали в прошлом году исследование в Frontiers in Built Environment, посвященное оценке уровня воздействия ураганов.
«Мы хотели сделать что-то, чтобы мы могли лучше информировать о риске, включая разные возможности, которые может принести эта опасность», - говорит Махмуд. «Штормовой нагон был бы очень важен, сколько осадков у вас очень важно, и какая скорость ветра».
Проект включает данные о недавних ураганах - скорость ветра, штормовые нагоны и осадки, а также местоположение и население - и применяет к ним нейронную сеть. Затем он может обучаться сам, оценивая, например, если ураган должен совершить обвал в точке X, при скорости ветра Y, штормовом нагоне Z и т. Д., Ущерб, вероятно, будет иметь определенный уровень, выраженный в экономических затратах. Он сравнивает входные данные из записей NOAA, данных переписи и других источников от реальных штормов и дает уровень ущерба, который аналогичен тому, что произошло в этих штормах. Команда Махмуда попробовала это по-настоящему, и за последние два года модель дала точные оценки ураганов, которые обрушились на берег.
«Если мы сможем сделать это, может быть, тогда мы сможем, прежде всего, понять величину ущерба, который мы собираемся получить из-за урагана, и… использовать его, чтобы издавать приказы об эвакуации, которые были одним из главных проблемы смягчения последствий ураганов и реагирования на них », - говорит Махмуд.
Предложенная система Махмуда еще не была развернута, но он ведет переговоры с The Weather Channel, который он называет ранней стадией, но многообещающим.
Компания Weather (материнская компания The Weather Channel) уже использует свою дочернюю платформу больших данных IBM PAIRS Geoscope для прогнозирования перебоев в подаче электроэнергии и, таким образом, для подготовки более эффективных мер реагирования на стихийные бедствия после ураганов. Входные данные для системы поступают не только от метеорологических спутников, но и от моделей инженерных сетей и истории отключений электроэнергии. Эти прогнозы также выиграют от добавления все большего количества источников данных, включая влажность почвы, что может помочь в прогнозировании падения деревьев.
Количество доступных данных растет чрезвычайно быстро, и поэтому наша способность обрабатывать их - это гонка вооружений, указывающая на будущее в плане повышения точности и вероятностного прогнозирования ураганов, которые помогут обеспечить готовность во всем мире.
# Alder, Mountaineer, andMosesFiresFire # Alder, Mountaineer, andMosesFires; широта, долгота: 36, 220, -118, 620 # EdenFire #Eden; широта, долгота: 36, 410; -118, 740; 1718 акров # CAfire pic.twitter.com/B2ZwfmxJiv
- Сигнал лесного пожара (@wildfiresignal) 27 ноября 2018 г.
У Descartes Labs также есть еще один проект, не связанный с ураганами, за исключением того, что он использует аналогичную технологию для другого стихийного бедствия - пожаров. Когда в начале ноября в Калифорнии вспыхнул Camp Fire, в жизни ожил твиттер-бот @wildfiresignal. @Wildfiresignal, созданный той же командой из Декарта, каждые шесть часов передает данные с GOES-16 для дымовых шлейфов и пишет в Twitter оптические и инфракрасные изображения пожара. Инфракрасная информация может показать тепло огня, что может помочь визуализировать его местонахождение в момент начала пожара или ночью, когда дым трудно увидеть. Это может помочь пожарным или жителям планировать пути эвакуации по мере приближения к ним пожара, но, как и в случае с проектом урагана, сотрудничество с пожарными или национальными лесами является предварительным.
«Если бы у нас была глобальная система оповещения, в которой вы знали, что пожар начался через десять минут после его возникновения, это было бы впечатляюще», - говорит генеральный директор Descartes Марк Джонсон. «Мы, вероятно, еще далеки от этого, но это конечная цель».
* Примечание редактора, 28 ноября 2018 года. В предыдущей версии этой статьи неправильно указывалось, что штаб-квартира Descartes Labs находится в Лос-Аламосе, штат Нью-Мексико, тогда как на самом деле она сейчас находится в Санта-Фе, штат Нью-Мексико. История была отредактирована, чтобы исправить этот факт.
