På fredag ettermiddager sammenkaller Caitlin Kontgis og noen av de andre forskerne ved Descartes Labs på kontoret deres i Santa Fe, New Mexico, og går ned for å jobbe med et grasrotprosjekt som ikke er en del av jobben deres: å se orkaner ovenfra og se om de kan finne ut hva stormene vil gjøre. *
De skaffer seg data fra GOES, den geostasjonære operative miljøsatellitten som drives av NOAA og NASA, som registrerer bilder av den vestlige halvkule hvert femte minutt. Det handler om hvor lang tid det tar teamet å behandle hvert bilde gjennom en dyp læringsalgoritme som oppdager øyet til en orkan og sentrerer bildeprosessoren over det. Deretter inneholder de syntetiske blenderåpningsdata, som bruker langbølgeradar for å se gjennom skyer, og kan skille vann under basert på refleksjonsevne. Som på sin side kan vise nærmest sanntidsflom, sporet over dager, av byer i orkanenes vei.
"Målet med disse prosjektene ... er virkelig å få data i hendene til de første som svarer og folk som tar beslutninger og kan hjelpe, " sier Kontgis, ledende forsker ved Descartes.
Orkanen Harvey, for eksempel, oversvømmet uventet store deler av Houston til tross for reduserte vindhastigheter. Den stormen inspirerte Descartes forskere til å bygge programmet de nå bruker, selv om de var for sent til å bruke disse dataene på utvinningsinnsats. Mens Descartes Labs har vært i kontakt med FEMA og andre organisasjoner, er det ingen offisiell bruk for dataene de samler inn.
Dette bildet viser sannsynligheten for vann før orkanen Harvey over det landlige sørlige Houston-området, målt med en dyptgående datamaskinvisjonsmodell fra Descartes Labs beregnet for flomregistrering. "Før" -bildet er fra 1. juni 2017. (Descartes Labs) 
Dette bildet viser sannsynligheten for vann under orkanen Harvey over det samme området. Mørkere blålys indikerer en større sannsynlighet for vann. Dette "under" -bildet er fra 29. august 2017. (Descartes Labs) Arbeidet med orkaner er ikke en del av Descartes 'hovedvirksomhet, som består av å bruke lignende maskinlæring for å vurdere matforsyningskjeder, eiendommer og mer. For eksempel kan Descartes se på satellittdata fra landbruket i Brasil, Argentina og Kina, og komme med forutsigelser om globale kornutbytter og priser. Eller den kan vurdere byggepriser og estimere tomteverdi. Men gruppen kan utnytte den samme teknologien for å undersøke orkaner og andre naturkatastrofer, og planlegger å innlemme tilleggsinformasjon til algoritmen i fremtiden, som orkanstørrelse, vindhastighet og til og med landheving for bedre å forutsi flom.
Descartes er bare ett av mange byråer, selskaper og forskningsgrupper som prøver å utnytte big data og maskinlæring om orkan prediksjon, sikkerhet og bevissthet. Suksess kan bety reduserte skader - økonomiske og menneskelige - i møte med forverrede klimainduserte stormer, eller i det minste økte alternativer for å dempe skadene.
Å spå hvor en orkan vil gå er et veletablert perspektiv, sier Amy McGovern, professor i informatikk ved University of Oklahoma. McGovern studerer bruken av AI i beslutningsprosesser om tordenvær og tornadoer, men ikke orkaner, av den grunn. Men hun sier at det fortsatt er mange faktorer i orkaner som er vanskelig å forutsi. Hvor de vil lande kan være forutsigbar, men hva som vil skje når de kommer dit er en annen historie; orkaner er velkjent for fizzling out eller ramping opp rett før landfall.
Selv i nevrale nettverk benytter store modeller alle bestemte forutsetninger, takket være en endelig mengde data de kan innlemme og et nesten uendelig antall potensielle typer innspill. "Dette gjør det hele til en utfordring for AI, " sier McGovern. “Modellene er definitivt ikke perfekte. Modellene er i forskjellige målestokker. De er tilgjengelige i forskjellige tidsoppløsninger. De har alle forskjellige skjevheter. En annen utfordring er bare den overveldende mengden data. ”
Det er en av grunnene til at så mange forskere ser til AI for å forstå alle disse dataene. Til og med NOAA kommer ombord. Det er de som driver GOES-satellittene, så de er oversvømmet med data også.
Så langt bruker NOAA-forskere dyp læring som en måte å forstå hvilke data de kan få fra bildene sine, spesielt nå som den nye GOES-16 kan føle 16 forskjellige spektrale bånd, som hver gir et annet innblikk i værmønster, noe som resulterer i et størrelsesorden mer data enn forrige satellitt. "Behandlingen av satellittdataene kan gå betydelig raskere når du bruker dyp læring på det, " sier Jebb Stewart, informasjons- og visualiseringssjef i NOAA. ”Det lar oss se på det. Det er en brannslange med informasjon ... når modellen lager disse prognosene, har vi et annet informasjonsproblem, og kan behandle det for å være fornuftig av det for prognoser. "
NOAA trener datamaskinene sine for å plukke ut orkaner fra satellittbildet, og vil til slutt kombinere det med andre lag med data for å forbedre sannsynlighetsprognoser, noe som vil hjelpe marinen, kommersielle rederier, oljerigger og mange andre næringer å ta bedre beslutninger om sine operasjoner.
NASA bruker også dyp læring for å estimere sanntidsintensiteten til tropiske stormer og utvikler algoritmiske regler som gjenkjenner mønstre i de synlige og infrarøde spektrum. Byråets nettbaserte verktøy lar brukere se bilder og vindhastighetsvarsler for levende og historiske orkaner basert på GOES-data.
Når vi først kan forvente at datamaskiner pålitelig finner orkaner, trenger vi en måte å oversette det til noe folk kan forstå. Det er mye mer informasjon tilgjengelig enn bare vindstyrke, og det å forstå det kan hjelpe oss å forstå alle andre måter orkaner påvirker lokalsamfunn. Hussam Mahmoud, førsteamanuensis i sivil- og miljøteknikk ved Colorado State University, har sett mye på faktorene som gjør noen orkaner mer katastrofale enn andre. Primær blant dem, sier han, er der stormene faller, og hva, eller hvem, som venter på dem når de kommer dit. Det er ikke overraskende å antyde at en orkan som rammer en by vil gjøre mer skade enn en som treffer en ubebodd kyst, men en som treffer et område forberedt med sjøvegger og andre formildende faktorer vil også ha redusert innvirkning.
Når du vet hva slags skade du kan forvente deg, kan du være bedre forberedt på utfordringene til byene, for eksempel trengsel på sykehus og skolestenginger, og du kan være mer sikker på om evakuering er nødvendig. Men så er det problemet med kommunikasjon: For øyeblikket beskrives orkaner av vindhastigheten deres, plassert i kategorier fra 1 til 5. Men vindstyrke er bare en prediktor for skade. Mahmoud og hans samarbeidspartnere publiserte en studie i fjor i Frontiers in Built Environment om en vurdering kalt Hurricane Impact Level.
"Vi ønsket å gjøre noe der vi kan kommunisere risikoen på en bedre måte, som inkluderer de forskjellige mulighetene denne faren kan medføre, " sier Mahmoud. "Stormflo ville være veldig viktig, hvor mye nedbør du har er veldig viktig, og hvor mye vindstyrke."
Prosjektet inneholder data fra nyere uvær - vindstyrke, stormflo og nedbør, men også beliggenhet og befolkning - og bruker et nevralt nettverk på dem. Da kan den trene seg selv, og for eksempel anslå om en orkan skal gjøre landfall på X-plassering, med vindhastighet Y, stormflo Z, etc., ville skadene sannsynligvis være på et bestemt nivå, uttrykt i økonomiske kostnader. Den sammenligner innspill fra NOAA-registreringer, folketellingsdata og andre kilder fra virkelige uvær, og gir et skadenivå som tilsvarer det som skjedde i disse stormene. Mahmoud team prøvde det på ordentlig, og i løpet av de to siste årene har modellen gitt nøyaktige anslag for orkaner som fikk landfall.
"Hvis vi kan gjøre det, kanskje kan vi først forstå alt omfanget av skaden vi er i ferd med å oppstå på grunn av en orkan, og ... bruke den til å gi ut evakueringsordre, som har vært en av de viktigste problemer med orkanredusering og respons, sier Mahmoud.
Mahmoud foreslåtte system er ikke blitt utrullet ennå, men han er i samtaler med The Weather Channel, som han kaller tidlig stadium, men lovende.
Weather Company (moderselskapet i The Weather Channel) bruker allerede datterselskapet IBMs PAIRS Geoscope big data-plattform for å spå strømbrudd og dermed forberede bedre katastrofesvar i kjølvannet av orkaner. Inngangene for systemet kommer ikke bare fra værsatellitter, men fra nettverksmodeller og strømbruddshistorie. Disse spådommene vil også ha fordel av å legge til flere og flere datakilder, inkludert jordfuktighet, som kan bidra til å forutsi trefall.
Mengden tilgjengelige data vokser ekstremt raskt, og det samme er vår evne til å behandle det, et våpenløp som peker mot en fremtid med utvidet nøyaktighet og sannsynlig orkanvarsel som vil hjelpe stormberedskapen rundt om i verden.
# Alder, Fjellklatrer og MosesFiresFire # Alder, Fjellklatrer ogMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 dekar # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27. november 2018
Descartes Labs har et annet prosjekt i verkene, uten tilknytning til orkaner bortsett fra at det utnytter lignende teknologi på en annen naturkatastrofe - skogbranner. Da Californias Camp Fire brøt ut i begynnelsen av november, sprang en twitter-bot kalt @wildfiresignal til liv. @Wildfiresignal er bygget av det samme teamet fra Descartes, og søker hver sjette time data fra GOES-16 for røykrør og tweeter side om side optiske og infrarøde bilder av brannen. Infrarød informasjon kan vise brannens varme, noe som kan bidra til å visualisere beliggenheten akkurat når den begynner å begynne, eller om natten når røyk er vanskelig å se. Dette kan hjelpe brannmannskap eller innbyggere til å planlegge rømningsveier når brannen nærmer seg dem, men som med orkanprosjektet, er samarbeid med brannmenn eller nasjonale skoger foreløpig.
"Hvis vi kunne ha et varslingssystem globalt der du visste når en brann startet innen ti minutter etter at den startet, ville det være spektakulært, " sier Descartes administrerende direktør Mark Johnson. "Vi er fortsatt sannsynligvis et stykke unna det, men det er det endelige målet."
* Redaktørens notat, 28. november 2018: En tidligere versjon av denne artikkelen uttalte feil at hovedkvarteret for Descartes Labs ligger i Los Alamos, New Mexico, når den faktisk nå ligger i Santa Fe, New Mexico. Historien er redigert for å rette opp i det faktum.
