U petak popodne, Caitlin Kontgis i neki drugi znanstvenici iz Descartes Labs okupljaju se u uredu Santa Fe, New Mexico, i nastavljaju raditi na lokalnom projektu koji nije dio njihovih poslova: gledati uragane odozgo i vidjeti jesu li mogu shvatiti što će učiniti oluje. *
Dobivaju podatke od GOES-a, geostacionarnog operativnog ekološkog satelita kojim upravljaju NOAA i NASA, koji svakih pet minuta bilježi slike zapadne hemisfere. Otprilike je potrebno timu da obrađuje svaku sliku pomoću algoritma dubokog učenja koji detektuje uragan u oku i centrira procesor slike. Zatim ugrađuju sintetičke podatke otvora, koji koriste dugovalni radar za gledanje kroz oblake i mogu razabrati vodu ispod na temelju reflektivnosti. To zauzvrat može pokazati skoro poplavu gradova u stvarnom vremenu, praćen danima, u gradovima na putu uragana.
"Cilj ovih projekata ... zaista je dobiti podatke u ruke prvih ispitanika i ljudi koji donose odluke i mogu pomoći", kaže Kontgis, vodeći primijenjeni znanstvenik u Descartesu.
Na primjer, uragan Harvey neočekivano je poplavio velike dijelove Houstona usprkos smanjenoj brzini vjetra. Ta je oluja nadahnula znanstvenike Descartesa da izgrade program koji sada koriste, iako su bili prekasni za primjenu tih podataka u naporima oporavka. Dok su Descartes Labs bili u kontaktu s FEMA-om i drugim organizacijama, nema podataka za službenu uporabu podataka koje oni uspoređuju.
Ova slika prikazuje vjerojatnost vode prije uragana Harvey nad ruralnim područjem južnog Houstona, mjereno modelom računalnog vida dubokog učenja iz tvrtke Descartes Labs namijenjenog otkrivanju poplava. Slika "prije" je od 1. lipnja 2017. (Descartes Labs) 
Ova slika prikazuje vjerojatnost vode tijekom uragana Harvey na istom području. Tamniji blues ukazuje na veću vjerojatnost vode. Ova slika "tijekom" je od 29. kolovoza 2017. (Descartes Labs) Rad s uraganima nije dio Descartesove glavne djelatnosti, koja se sastoji od korištenja sličnog strojnog učenja za procjenu lanaca opskrbe hranom, nekretninama i još mnogo toga. Na primjer, Descartes može pregledati satelitske podatke poljoprivrede u Brazilu, Argentini i Kini i predvidjeti globalne prinose i cijene kukuruza. Ili može procijeniti stope izgradnje i procijeniti vrijednost zemljišta. Ali grupa može koristiti istu tehnologiju za ispitivanje uragana i drugih prirodnih katastrofa, a planira u budućnosti uključiti dodatne informacije u algoritam, poput veličine uragana, brzine vjetra, pa čak i visine zemljišta radi boljeg predviđanja poplava.
Descartes je samo jedna od brojnih agencija, kompanija i istraživačkih skupina koje pokušavaju iskoristiti velike podatke i strojno učenje o predviđanjima uragana, sigurnosti i svijesti. Uspjeh može značiti smanjene štete - gospodarske i ljudske - u uvjetima pogoršanja klimatskih oluja, ili barem povećane mogućnosti ublažavanja te štete.
Predviđanje kamo će uragan ići dobro je utvrđena perspektiva, kaže Amy McGovern, profesorica računalnih znanosti sa Sveučilišta u Oklahomi. McGovern proučava uporabu AI u odlučivanju o grmljavinskom nevremenu i tornadu, ali ne i uraganima iz tog razloga. Ali kaže da je još uvijek puno faktora u uraganima koje je teško predvidjeti. Gdje će sletjeti možda je predvidljivo, ali ono što će se dogoditi kad stignu, postoji druga priča; uragani su dobro poznati po tome što fizzling out ili diže uza neposredno prije slijetanja.
Čak i kod neuronskih mreža, modeli velikih razmjera koriste određene pretpostavke, zahvaljujući ograničenoj količini podataka koju mogu ugraditi i gotovo neograničenom broju potencijalnih vrsta unosa. "To sve čini izazov za AI", kaže McGovern. „Modeli definitivno nisu savršeni. Svi su modeli različitog stupnja, dostupni su u različitim vremenskim rezolucijama. Svi imaju različite pristranosti. Drugi je izazov upravo velika količina podataka. "
To je jedan od razloga zašto mnogi znanstvenici traže AI kako bi pomogli razumjeti sve te podatke. Čak se i NOAA ukrcava. Oni su ti koji upravljaju satelitima GOES, pa su preplavljeni i podacima.
Do sada, znanstvenici NOAA koriste duboko učenje kao način da razumiju koje podatke mogu dobiti iz svojih slika, posebno sada kada novi GOES-16 može osjetiti 16 različitih spektralnih opsega, a svaki pruža drugačiji pogled na vremenske obrasce, što rezultira red veličine više podataka nego prethodni satelit. "Obrada satelitskih podataka može biti znatno brža ako na njega primijenite duboko učenje", kaže Jebb Stewart, šef informatike i vizualizacije u NOAA. "Omogućuje nam da ga pogledamo. Postoji vatrogasno crijevo informacija ... kada model kreira ove prognoze, imamo drugačiji problem s informacijama, koji je u mogućnosti obraditi to da bi to imalo smisla za prognoze. "
NOAA obučava svoja računala da sa satelitskim snimkama biraju uragane, a na kraju će to kombinirati s drugim slojevima podataka kako bi poboljšali vjerojatne prognoze, što će pomoći mornarici, trgovačkim brodarskim kompanijama, naftnim platformama i mnogim drugim industrijama da donose bolje odluke o svojim operacije.
NASA također koristi duboko učenje za procjenu intenziteta tropskih oluja u stvarnom vremenu, razvijajući algoritamska pravila koja prepoznaju obrasce u vidljivom i infracrvenom spektru. Internetski alat agencije omogućuje korisnicima da vide slike i predviđanja brzine vjetra za žive i povijesne uragane na temelju podataka GOES-a.
Jednom kada možemo očekivati da računala pouzdano uoče uragane, potreban nam je način kako to prevesti u nešto što ljudi mogu razumjeti. Na raspolaganju je puno više informacija nego samo brzina vjetra, a imajući smisla za to možemo nam pomoći da razumijemo sve ostale načine na koje uragani utječu na zajednice. Hussam Mahmoud, izvanredni profesor za građevinsko i ekološko inženjerstvo na Sveučilištu Colorado State, detaljno je razmotrio čimbenike koji čine uragane još katastrofalnijima od drugih. Primarno među njima je, kaže, mjesto na kojem te oluje prave kopnene površine i šta ih ili tko čeka kad dođu tamo. Nije iznenađujuće pretpostaviti da će uragan koji pogodi grad nanijeti više štete od one koja pogodi nenaseljenu obalu, ali onaj koji pogodi područje pripremljeno morskim zidinama i drugim olakšavajućim čimbenicima također će imati smanjen utjecaj.
Jednom kada saznate kakvu štetu očekujete, možete biti bolje pripremljeni za izazove u gradovima, poput gužve u bolnicama i zatvaranja škola, te možete biti sigurniji je li evakuacija potrebna. No, tu je i problem komunikacije: trenutačno su uragani opisani brzinom vjetra, svrstani su u kategorije od 1 do 5. Ali brzina vjetra samo je jedan prediktor štete. Mahmoud i njegovi suradnici objavili su prošle godine istraživanje u Frontiers in Built Environment o procjeni nazvanoj stupanj utjecaja uragana.
"Željeli smo učiniti nešto tamo gdje možemo na bolji način prenijeti rizik, što uključuje različite mogućnosti koje taj rizik može donijeti", kaže Mahmoud. "Olujna bura bila bi vrlo važna, koliko padavina imate vrlo važno i kolika je brzina vjetra."
Projekt uključuje podatke nedavnih oluja - brzinu vjetra, olujne udare i oborine, ali i lokaciju i stanovništvo - te na njih primjenjuje neuronsku mrežu. Tada se može osposobiti, procjenjujući, na primjer, ako bi uragan trebao izvršiti pad na X lokaciji, s brzinom vjetra Y, olujnim naletom Z, itd., Šteta bi vjerojatno bila na posebnoj razini, izražena ekonomskim troškovima. Uspoređuje unose iz NOAA zapisa, popisne podatke i drugih izvora iz stvarnih oluja i daje razinu štete koja je slična onoj koja se dogodila u tim olujama. Mahmoudov tim pokušao je to stvarno, a tijekom posljednje dvije godine model je dao točne procjene uragana koji su napravili pad na kopnu.
"Ako to možemo učiniti, možda tada možemo, prije svega, shvatiti veličinu štete koju ćemo doživjeti zbog uragana i ... koristiti ga za izdavanje naloga za evakuaciju, koji su bili jedan od glavnih problemi s ublažavanjem i uraganom za ublažavanje uragana ", kaže Mahmoud.
Mahmoudov predloženi sustav još nije uveden, ali on razgovara s vremenskim kanalom, koji naziva ranom fazom, ali obećava.
Weather Company (matična tvrtka Weather Channel) već koristi svoju podružnicu IBM-ova platforma za velike podatke podataka PAIRS Geoscope za prognozu prekida napajanja i tako priprema bolje reakcije na katastrofe uslijed uragana. Ulazi za sustav dolaze ne samo iz vremenskih satelita, već i iz modela komunalnih mreža i povijesti nestanka struje. I ova će predviđanja imati koristi od dodavanja sve više izvora podataka, uključujući vlagu tla što može pomoći u predviđanju pada drveća.
Količina raspoloživih podataka raste vrlo brzo, pa tako i naša sposobnost da ih obrađujemo, utrka u naoružanju koja ukazuje na budućnost sve veće preciznosti i vjerojatnog predviđanja uragana koji će pomoći pripremljenosti za oluju širom svijeta.
# Alder, Mountaineer iMosesFiresFire # Alder, Mountaineer iMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 hektara # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27. studenog 2018
Descartes Labs ima još jedan projekt koji nije povezan s uraganima, osim što sličnu tehnologiju koristi za drugu prirodnu katastrofu - požare. Kad je početkom studenoga izbio kamp u Camp Fireu, twitter bot nazvan @wildfiresignal oživio je. Izradio isti tim iz Descartesa, @wildfiresignal provlači podatke svakih šest sati iz GOES-16 za dimne pljuskove i tweete uporedo sa optičkim i infracrvenim slikama vatre. Informacije o infracrvenom zraku mogu pokazati toplinu vatre, što može pomoći pri vizualizaciji njegovog položaja upravo kad plamen počinje, ili noću kada je dim teško vidjeti. To bi moglo pomoći vatrogascima ili stanovnicima da planiraju rute za bijeg dok se vatra približava njima, ali kao i projekt uragana, suradnja s vatrogascima ili nacionalnim šumama je preliminarna.
"Ako bismo mogli imati sustav upozorenja na globalnoj razini, odakle biste znali kada je požar započeo u roku od deset minuta nakon što je započeo, to bi bilo spektakularno", kaže izvršni direktor Descartesa Mark Johnson. "Vjerojatno smo još daleko od toga, ali to je krajnji cilj."
* Uputa urednika, 28. studenog 2018.: Prethodna verzija ovog članka pogrešno je navela da je sjedište tvrtke Descartes Labs u Los Alamosu, New Mexico, kada se, naime, sada nalazi u Santa Feu, New Mexico. Priča je uređena da popravi tu činjenicu.
