På fredag eftermiddag indkalder Caitlin Kontgis og nogle af de andre forskere på Descartes Labs i deres kontor i Santa Fe, New Mexico, og går ned for at arbejde på et græsrodsprojekt, der ikke er en del af deres job: se orkaner ovenfra og se om de kan finde ud af, hvad stormerne vil gøre. *
De henter data fra GOES, den geostationære miljømæssige satellit, der drives af NOAA og NASA, der registrerer billeder af den vestlige halvkugle hvert femte minut. Det handler om, hvor lang tid det tager teamet at behandle hvert billede gennem en dyb indlæringsalgoritme, der registrerer en orkanens øje og centrerer billedprocessoren over det. Derefter inkorporerer de syntetiske åbningsdata, der bruger langbølgerradar til at se gennem skyer og kan skelne vand nedenunder baseret på refleksionsevne. Dette kan til gengæld vise næsten real-time oversvømmelser, sporet over dage, af byer i orkanernes vej.
”Målet med disse projekter ... er virkelig at få data i hænderne på de første respondenter og mennesker, der tager beslutninger og kan hjælpe, ” siger Kontgis, førende anvendt videnskabsmand ved Descartes.
Orkanen Harvey oversvømte for eksempel uventet store dele af Houston på trods af aftagende vindhastighed. Den storm inspirerede Descartes forskere til at bygge det program, de nu bruger, skønt de var for sent til at anvende disse data til genopretningsbestræbelser. Mens Descartes Labs har været i kontakt med FEMA og andre organisationer, er der ingen officiel brug af de data, de samler.
Dette billede viser sandsynligheden for vand før orkanen Harvey over det landlige sydlige Houston-område, målt ved en dyb læringscomputeringsmodel fra Descartes Labs beregnet til oversvømmelsesdetektion. Billedet "før" er fra 1. juni 2017. (Descartes Labs) 
Dette billede viser sandsynligheden for vand under orkanen Harvey over det samme område. Mørkere blues indikerer en højere sandsynlighed for vand. Dette "under" -billede er fra 29. august 2017. (Descartes Labs) Arbejdet med orkaner er ikke en del af Descartes 'hovedvirksomhed, der består af at bruge lignende maskinlæring til at vurdere fødevareforsyningskæder, fast ejendom og mere. For eksempel kan Descartes se på satellitdata fra landbruget i Brasilien, Argentina og Kina og fremsætte forudsigelser om globale majsudbytter og priser. Eller det kan vurdere konstruktionshastigheder og estimere jordværdien. Men gruppen kan udnytte den samme teknologi til at undersøge orkaner og andre naturkatastrofer og planlægger at indarbejde yderligere information til algoritmen i fremtiden, som orkanstørrelse, vindhastighed og endda landhøjde for bedre at forudsige oversvømmelser.
Descartes er blot en af mange agenturer, virksomheder og forskningsgrupper, der prøver at udnytte big data og maskinlæring om orkanforudsigelse, sikkerhed og opmærksomhed. Succes kan betyde formindskede skader - økonomiske og menneskelige - i lyset af forværrede klimainducerede storme eller i det mindste øgede muligheder for at afbøde disse skader.
At forudsige, hvor en orkan vil gå, er et veletableret perspektiv, siger Amy McGovern, professor i datalogi ved University of Oklahoma. McGovern studerer brugen af AI i beslutningstagning om tordenvejr og tornadoer, men ikke orkaner, af den grund. Men hun siger, at der stadig er mange faktorer i orkaner, der er svære at forudsige. Hvor de lander, kan være forudsigelige, men hvad der vil ske, når de kommer dertil, er en anden historie; orkaner er kendt for at fizzling ud eller rampe op lige før landfaldet.
Selv i neurale netværk gør modeller i stor skala alle brug af visse antagelser takket være en endelig mængde data, de kan inkorporere, og et næsten uendeligt antal potentielle typer input. ”Dette gør det hele til en udfordring for AI, ” siger McGovern. ”Modellerne er bestemt ikke perfekte. Modellerne er alle i forskellige skalaer. De er tilgængelige i forskellige tidsopløsninger. De har alle forskellige forspændinger. En anden udfordring er bare den store overvældende mængde data. ”
Det er en af grundene til, at mange forskere søger AI for at hjælpe med at forstå alle disse data. Selv NOAA kommer om bord. Det er dem, der betjener GOES-satellitterne, så de er også oversvømmet med data.
Indtil videre bruger NOAA-forskere dyb læring som en måde at forstå, hvilke data de kan få fra deres billeder, især nu hvor de nye GOES-16 kan sanse 16 forskellige spektrale bånd, der hver giver et andet glimt af vejrmønstre, hvilket resulterer i en størrelsesorden flere data end den forrige satellit. ”Behandlingen af satellitdataene kan være markant hurtigere, når du anvender dyb læring til det, ” siger Jebb Stewart, informatik- og visualiseringschef hos NOAA. ”Det giver os mulighed for at se på det. Der er en brandslange med information ... når modellen opretter disse prognoser, har vi en anden type informationsproblem, hvor vi er i stand til at behandle det for at give mening om det til prognoser. ”
NOAA træner sine computere til at udvælge orkaner fra sine satellitbilleder, og til sidst vil den kombinere det med andre lag af data for at forbedre sandsynlige prognoser, hvilket vil hjælpe marinen, kommercielle rederier, olierigge og mange andre industrier til at træffe bedre beslutninger om deres operationer.
NASA bruger også dyb læring til at estimere realtidsintensiteten af tropiske storme ved at udvikle algoritmiske regler, der genkender mønstre i de synlige og infrarøde spektrum. Agenturets webbaserede værktøj lader brugere se billeder og vindhastighedsforudsigelser for levende og historiske orkaner baseret på GOES-data.
Når vi først kan forvente, at computere pålideligt kan se orkaner, har vi brug for en måde at oversætte det til noget, folk kan forstå. Der er meget mere information tilgængelig end bare vindhastighed, og ved at forstå det kan hjælpe os med at forstå alle de andre måder, orkaner påvirker samfundene. Hussam Mahmoud, lektor i civil- og miljøteknik ved Colorado State University, har i vid udstrækning set de faktorer, der gør nogle orkaner mere katastrofale end andre. Primær blandt dem, siger han, er hvor disse storme får landfald, og hvad, eller hvem, der venter på dem, når de kommer dertil. Det er ikke overraskende at antyde, at en orkan, der rammer en by, vil gøre mere skade end en, der rammer en ubesat kyst, men en, der rammer et område forberedt med havvægge og andre formildende faktorer, vil også have en mindre indvirkning.
Når du ved, hvilken slags skader du kan forvente, kan du være bedre forberedt på udfordringerne i byerne, såsom overfyldning på hospitaler og nedlukninger i skolen, og du kan være mere sikker på, om evakuering er nødvendig. Men så er der kommunikationsproblemet: For tiden beskrives orkaner ved hjælp af deres vindhastighed, placeret i kategorier fra 1 til 5. Men vindhastighed er kun en prediktor for skader. Mahmoud og hans samarbejdspartnere offentliggjorde en undersøgelse sidste år i Frontiers in Built Environment om en vurdering kaldet Hurricane Impact Level.
”Vi ønskede at gøre noget, hvor vi kan kommunikere risikoen på en bedre måde, der inkluderer de forskellige muligheder, som denne fare kan medføre, ” siger Mahmoud. ”Stormbølgen ville være meget vigtig, hvor meget nedbør du har er meget vigtigt, og hvor meget vindhastighed.”
Projektet indeholder data fra nylige storme - vindhastighed, stormfald og nedbør, men også placering og befolkning - og anvender et neuralt netværk til dem. Derefter kan den træne sig selv og f.eks. Estimere, om en orkan skal gøre landfald i X-placering, med vindhastighed Y, stormbølge Z osv., Ville skaden sandsynligvis være af et bestemt niveau, udtrykt i økonomiske omkostninger. Den sammenligner input fra NOAA-registreringer, folketællingsdata og andre kilder fra reelle storme og giver et skadesniveau, der ligner det, der skete i disse storme. Mahmoud's team prøvede det for rigtigt, og i løbet af de sidste to år har modellen givet nøjagtige skøn for orkaner, der fik landfald.
”Hvis vi kan gøre det, måske kan vi først og fremmest forstå størrelsen på den skade, vi er ved at opleve på grund af en orkan, og ... bruge den til at udstede evakueringsordrer, som har været en af de vigtigste problemer med orkanafbrydelse og respons, ”siger Mahmoud.
Mahmoud's foreslåede system er ikke blevet implementeret endnu, men han er i samtaler med The Weather Channel, som han kalder tidligt stadium, men lovende.
Weather Company (The Weather Channel moderselskab) bruger allerede sit datterselskab IBM's PAIRS Geoscope big data platform til at forudsige strømafbrydelser og således forberede bedre katastrofeberedskab i kølvandet på orkaner. Indgange til systemet kommer ikke kun fra vejrsatellitter, men fra hjælpeprogrammer og strømafbrydelseshistorik. Disse forudsigelser vil også drage fordel af at tilføje flere og flere datakilder, herunder jordfugtighed, som kan hjælpe med at forudsige træfald.
Mængden af tilgængelige data vokser ekstremt hurtigt, og det samme er vores evne til at behandle det, et våbenløb, der peger på en fremtid med udvidet nøjagtighed og sandsynlig orkanprognose, der vil hjælpe stormberedskab overalt i verden.
# Alder, Mountaineer andMosesFiresFire # Alder, Mountaineer ogMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 acres # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27. november 2018
Descartes Labs har også et andet projekt i værkerne, der ikke er forbundet med orkaner, bortset fra at det udnytter lignende teknologi til en anden naturkatastrofe - ildebrande. Da Californias Camp Fire brød ud i begyndelsen af november, sprang en twitter-bot kaldet @wildfiresignal til liv. @Wildfiresignal er bygget af det samme team fra Descartes og prowlser data hver sjette time fra GOES-16 til røgstrømme og tweets side om side optiske og infrarøde billeder af ilden. Infrarød information kan vise ildens varme, hvilket kan hjælpe med at visualisere dets placering, lige når branden begynder, eller om natten, når røg er svær at se. Dette kan hjælpe brandmænd eller beboere med at planlægge flugtveje, når ilden nærmer sig dem, men ligesom med orkanprojektet er samarbejde med brandmænd eller nationale skove indledende.
”Hvis vi kunne have et alarmsystem globalt, hvor man vidste, hvornår en brand startede inden for ti minutter efter den startede, ville det være spektakulært, ” siger Descartes administrerende direktør Mark Johnson. ”Vi er stadig sandsynligvis et stykke væk fra det, men det er det endelige mål.”
* Redaktørens note, 28. november 2018: En tidligere version af denne artikel oplyste forkert, at hovedkvarteret for Descartes Labs ligger i Los Alamos, New Mexico, når det faktisk nu ligger i Santa Fe, New Mexico. Historien er redigeret for at rette op på det faktum.
