V pátek odpoledne se Caitlin Kontgis a někteří další vědci z Descartes Labs scházejí ve své kanceláři v Santa Fe v Novém Mexiku a pustí se do práce na projektu, který není součástí jejich práce: dívat se na hurikány shora a zjistit, zda dokáže zjistit, co budou bouřky dělat. *
Získávají data od GOES, geostacionárního operačního environmentálního satelitu provozovaného NOAA a NASA, který každých pět minut zaznamenává obrazy západní polokoule. Jde o to, jak dlouho týmu trvá zpracování každého obrazu pomocí algoritmu hlubokého učení, který detekuje oko hurikánu a soustředí na něj obrazový procesor. Poté začleňují data syntetické apertury, která pomocí dlouhovlnného radaru vidí mraky a na základě odrazivosti dokáže rozeznat vodu pod nimi. To zase může ukázat záplavy měst v cestě hurikánů téměř v reálném čase.
"Cílem těchto projektů ... je opravdu dostat data do rukou prvních respondentů a lidí, kteří se rozhodují a mohou pomoci, " říká Kontgis, vedoucí aplikovaný vědec v Descartes.
Hurikán Harvey například neočekávaně zaplavil velké části Houstonu navzdory klesající rychlosti větru. Tato bouře inspirovala vědce společnosti Descartes k sestavení programu, který nyní používají, ačkoli byli příliš pozdě na to, aby tato data použili na úsilí o obnovu. Zatímco společnost Descartes Labs byla v kontaktu s FEMA a dalšími organizacemi, neexistuje žádná oficiální využití pro data, která shromažďují.
Tento obrázek ukazuje pravděpodobnost vody před hurikánem Harvey přes venkovskou jižní oblast Houstonu, měřeno pomocí modelu počítačového vidění s hlubokým učením od společnosti Descartes Labs určeného k detekci povodní. Obrázek „před“ je od 1. června 2017. (Descartes Labs) 
Tento obrázek ukazuje pravděpodobnost vody během hurikánu Harvey ve stejné oblasti. Tmavší blues znamenají vyšší pravděpodobnost vody. Tento obrázek „během“ je z 29. srpna 2017. (Descartes Labs) Práce s hurikány není součástí hlavní činnosti společnosti Descartes, která spočívá v použití podobného strojového učení k posouzení dodavatelských řetězců potravin, nemovitostí a dalších. Například Descartes se může podívat na satelitní údaje o zemědělství v Brazílii, Argentině a Číně a provádět předpovědi o globálních výnosech a cenách kukuřice. Nebo může posoudit míru výstavby a odhadnout hodnotu pozemku. Skupina však může využít stejnou technologii k prozkoumání hurikánů a dalších přírodních katastrof a plánuje v budoucnu do algoritmu začlenit další informace, jako je velikost hurikánu, rychlost větru a dokonce i nadmořská výška země, aby lépe předpovídaly záplavy.
Descartes je jen jednou z mnoha agentur, společností a výzkumných skupin, které se snaží využít velké údaje a strojové učení k predikci hurikánu, bezpečnosti a povědomí. Úspěch by mohl znamenat snížené škody - ekonomické i lidské - v důsledku zhoršujících se klimatických bouří, nebo alespoň větší možnosti, jak tyto škody zmírnit.
Předpovídání, kam hurikán půjde, je dobře zavedenou perspektivou, říká Amy McGovern, profesorka informatiky na University of Oklahoma. McGovern studuje použití AI v rozhodování o bouřkách a tornádách, ale ne hurikány, z tohoto důvodu. Říká však, že v hurikánech stále existuje mnoho faktorů, které je těžké předvídat. Tam, kde přistanou, může být předvídatelné, ale co se stane, až se tam dostanou, je jiný příběh; hurikány jsou dobře známé tím, že mizou nebo stoupají těsně před landfallem.
I u neuronových sítí všechny velké modely využívají určité předpoklady, díky omezenému množství dat, které mohou začlenit, a téměř nekonečnému počtu potenciálních typů vstupu. "To z toho dělá výzvu pro AI, " říká McGovern. "Modely rozhodně nejsou dokonalé." Všechny modely jsou v různých stupních, jsou k dispozici v různých časových rozlišeních. Všichni mají různá zkreslení. Další výzvou je pouhé ohromující množství dat. “
To je jeden z důvodů, proč tolik vědců hledá AI, aby pomohlo pochopit všechna ta data. Na palubu se dostává i NOAA. Jsou to ti, kdo provozují satelity GOES, takže jsou zaplaveni také daty.
Dosud vědci NOAA využívají hluboké učení jako způsob, jak pochopit, jaká data mohou získat ze svých obrazů, zejména nyní, když nový GOES-16 může snímat 16 různých spektrálních pásem, z nichž každý poskytuje odlišný pohled na vzorce počasí, což vede k řádově více dat než předchozí satelit. "Zpracování satelitních dat může být výrazně rychlejší, pokud na ně aplikujete hluboké učení, " říká Jebb Stewart, vedoucí informatiky a vizualizace v NOAA. "To nám umožňuje podívat se na to." Je zde požární hadice informací… když model vytváří tyto předpovědi, máme jiný typ informačního problému, který jsme schopni zpracovat, aby to mělo smysl pro předpovědi. “
NOAA trénuje své počítače, aby vybíraly hurikány ze svých satelitních snímků, a nakonec to zkombinuje s dalšími vrstvami dat ke zlepšení pravděpodobnostních předpovědí, což pomůže námořnictvu, komerčním lodním společnostem, ropným plošinám a mnoha dalším odvětvím lépe rozhodovat o jejich operace.
NASA také používá hluboké učení k odhadu intenzity tropických bouří v reálném čase a vyvíjí algoritmická pravidla, která rozpoznávají vzory ve viditelném a infračerveném spektru. Webový nástroj agentury umožňuje uživatelům prohlížet obrázky a předpovědi rychlosti větru pro živé a historické hurikány na základě dat GOES.
Jakmile můžeme očekávat, že počítače spolehlivě zjistí hurikány, potřebujeme způsob, jak to přeložit do něčeho, čemu lidé rozumějí. K dispozici je mnohem více informací než jen rychlost větru a jejich pochopení nám může pomoci pochopit všechny ostatní způsoby, jak hurikány ovlivňují společenství. Hussam Mahmoud, docent stavebního a environmentálního inženýrství na Colorado State University, se intenzivně zabýval faktory, které způsobují, že některé hurikány jsou katastrofálnější než jiné. Říká se, že mezi nimi jsou především ty bouře, které dělají landfall, a co nebo kdo na ně čeká, až se tam dostanou. Není divu, že hurikán, který zasáhne město, způsobí více škody než ten, který zasáhne neobsazené pobřeží, ale ten, který zasáhne oblast připravenou mořskými stěnami a dalšími zmírňujícími faktory, bude mít také snížený dopad.
Jakmile víte, jaké poškození očekáváte, můžete být lépe připraveni na výzvy měst, jako je vytlačování v nemocnicích a odstavení škol, a můžete si být jistější, zda je nutná evakuace. Ale pak je tu problém s komunikací: V současné době jsou hurikány popsány podle rychlosti větru, která je zařazena do kategorií od 1 do 5. Rychlost větru je však pouze jedním prediktorem poškození. Mahmoud a jeho spolupracovníci minulý rok v Frontiers in Built Environment publikovali studii o hodnocení s názvem Úroveň dopadu hurikánu.
"Chtěli jsme udělat něco, kde dokážeme lépe sdělit riziko, což zahrnuje různé možnosti, které toto nebezpečí může přinést, " říká Mahmoud. "Přepětí bouře by bylo velmi důležité, kolik srážek máte, je velmi důležité a kolik rychlosti větru."
Projekt zahrnuje data z nedávných bouří - rychlost větru, nárůst bouřek a srážky, ale také umístění a populace - a aplikuje na ně neuronovou síť. Pak se může sám trénovat a odhadovat, například, pokud by hurikán měl provést landfall v poloze X, s rychlostí větru Y, nárůstem bouřek Z atd., Poškození by pravděpodobně mělo určitou úroveň, vyjádřenou v ekonomických nákladech. Porovnává vstupy ze záznamů NOAA, sčítání lidu a dalších zdrojů ze skutečných bouří a poskytuje úroveň poškození, která je podobná té, k níž došlo v těchto bouřích. Mahmúdův tým to vyzkoušel skutečně a za poslední dva roky tento model poskytl přesné odhady pro hurikány, které učinily landfall.
"Pokud to dokážeme, možná pak můžeme nejprve pochopit rozsah poškození, které se chystáme utrpět kvůli hurikánu, a ... použít ho k vydání příkazů k evakuaci, které byly jedním z hlavních problémy se zmírněním hurikánu a reakcí, “říká Mahmoud.
Mahmoudův navrhovaný systém ještě nebyl zaveden, ale mluví s The Weather Channel, který nazývá ranou fází, ale slibný.
The Weather Company (mateřská společnost The Weather Channel) již používá velkou datovou platformu své dceřiné společnosti IBM PAIRS Geoscope k předpovídání výpadků energie a připravuje tak lepší reakci na katastrofy po hurikánech. Vstupy do systému nepocházejí pouze z meteorologických družic, ale také z modelů inženýrských sítí a historie výpadku napájení. Pro tyto předpovědi bude také přínosem přidání více a více zdrojů údajů, včetně vlhkosti půdy, což může pomoci předpovídat pád stromů.
Množství dostupných dat roste extrémně rychle, stejně jako naše schopnost je zpracovat, závod se zbraněmi směřující k budoucnosti rozšiřující se přesnosti a pravděpodobnostního předpovědí hurikánů, které pomohou připravit se na bouře po celém světě.
# Alder, Mountaineer, andMosesFiresFire # Alder, Mountaineer andMosesFires; lat, lon: 36, 220, -118, 620 # EdenFire #Eden; lat, lon: 36, 410, -118, 740; 1718 akrů # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27. listopadu 2018
Descartes Labs má v projektech další projekt, který nesouvisí s hurikány, kromě toho, že využívá podobné technologie při další přírodní katastrofě - požáry. Když kalifornský táborový oheň vypukl začátkem listopadu, k životu se vynořila twitterová bota s názvem @wildfiresignal. @Wildfiresignal, vytvořený stejným týmem od společnosti Descartes, prohledává data každých šest hodin z GOES-16 pro kouřové oblaky a tweety optických a infračervených obrazů ohně vedle sebe. Infračervené informace mohou ukazovat teplo ohně, které může pomoci vizualizovat jeho polohu právě na začátku plamene nebo v noci, kdy je kouř těžko vidět. Mohlo by to pomoci hasičům nebo obyvatelům naplánovat únikové cesty, když se k nim blíží oheň, ale stejně jako v případě projektu hurikánů je spolupráce s hasiči nebo národními lesy předběžná.
"Kdybychom mohli mít poplachový systém na celém světě, kde byste věděli, že do deseti minut po jeho spuštění začal oheň, bylo by to velkolepé, " říká generální ředitel společnosti Descartes Mark Johnson. "Stále jsme asi daleko od toho, ale to je konečný cíl."
* Poznámka editora, 28. listopadu 2018: Předchozí verze tohoto článku nesprávně uvedla, že sídlo Descartes Labs je v Los Alamos v Novém Mexiku, když se ve skutečnosti nyní nachází v Santa Fe v Novém Mexiku. Příběh byl upraven, aby tuto skutečnost napravil.
