Op vrijdagmiddag komen Caitlin Kontgis en enkele andere wetenschappers van Descartes Labs samen in hun kantoor in Santa Fe, New Mexico, en gaan ze aan de slag met een grassroots-project dat geen deel uitmaakt van hun werk: kijken naar orkanen van bovenaf en kijken of ze kan uitzoeken wat de stormen zullen doen. *
Ze verzamelen gegevens van GOES, de geostationaire operationele milieusatelliet van NOAA en NASA, die om de vijf minuten beelden van het westelijk halfrond opneemt. Dat is ongeveer de tijd die het team nodig heeft om elk beeld te verwerken via een diepgaand leeralgoritme dat het oog van een orkaan detecteert en de beeldprocessor daarover centreert. Vervolgens nemen ze synthetische diafragmagegevens op, die lange-golfradar gebruiken om door wolken te kijken en water kunnen onderscheiden op basis van reflectiviteit. Dat kan op zijn beurt bijna real-time overstromingen laten zien, over dagen gevolgd, van steden in het pad van orkanen.
"Het doel van deze projecten ... is echt om gegevens in handen te krijgen van eerstehulpverleners en mensen die beslissingen nemen en kunnen helpen", zegt Kontgis, hoofdwetenschapper bij Descartes.
Orkaan Harvey bijvoorbeeld heeft onverwacht grote delen van Houston onder water gezet ondanks afnemende windsnelheden. Die storm inspireerde wetenschappers van Descartes om het programma te bouwen dat ze nu gebruiken, hoewel ze te laat waren om die gegevens toe te passen op herstelinspanningen. Hoewel Descartes Labs contact heeft gehad met FEMA en andere organisaties, is er geen officieel gebruik van de gegevens die ze verzamelen.
Deze afbeelding toont de waarschijnlijkheid van water voor orkaan Harvey over het landelijke zuiden van Houston, gemeten door een diep lerend computervisiemodel van Descartes Labs bedoeld voor overstromingsdetectie. De afbeelding "voor" is van 1 juni 2017. (Descartes Labs) 
Deze afbeelding toont de kans op water tijdens orkaan Harvey over hetzelfde gebied. Donkerdere blues duiden op een grotere kans op water. Deze "tijdens" afbeelding is van 29 augustus 2017. (Descartes Labs) Het werken met orkanen maakt geen deel uit van de hoofdactiviteit van Descartes, die bestaat uit het gebruik van vergelijkbare machine learning om voedselvoorzieningsketens, onroerend goed en meer te beoordelen. Descartes kan bijvoorbeeld satellietgegevens van de landbouw in Brazilië, Argentinië en China bekijken en voorspellingen doen over de wereldwijde opbrengsten en prijzen van maïs. Of het kan bouwtarieven beoordelen en de landwaarde schatten. Maar de groep kan dezelfde technologie gebruiken om orkanen en andere natuurrampen te onderzoeken en is van plan in de toekomst aanvullende informatie in het algoritme op te nemen, zoals orkaangrootte, windsnelheid en zelfs landhoogte om overstromingen beter te voorspellen.
Descartes is slechts een van de vele agentschappen, bedrijven en onderzoeksgroepen die proberen big data en machine learning te benutten over orkaanvoorspelling, veiligheid en bewustzijn. Succes kan leiden tot verminderde schade - economische en menselijke - in het gezicht van verslechterende door het klimaat veroorzaakte stormen, of op zijn minst verhoogde opties om die schade te verminderen.
Voorspellen waar een orkaan naartoe gaat is een goed ingeburgerd perspectief, zegt Amy McGovern, een professor in computerwetenschappen aan de Universiteit van Oklahoma. McGovern bestudeert het gebruik van AI bij de besluitvorming over onweersbuien en tornado's, maar geen orkanen, om die reden. Maar ze zegt dat er nog steeds veel factoren in orkanen zijn die moeilijk te voorspellen zijn. Waar ze zullen landen kan voorspelbaar zijn, maar wat er zal gebeuren zodra ze daar zijn, is een ander verhaal; orkanen staan erom bekend dat ze net voor aanlanding bruisen of oplaaien.
Zelfs met neurale netwerken, maken grootschalige modellen allemaal gebruik van bepaalde veronderstellingen, dankzij een eindige hoeveelheid gegevens die ze kunnen opnemen en een bijna oneindig aantal mogelijke soorten invoer. "Dit maakt het allemaal een uitdaging voor AI", zegt McGovern. “De modellen zijn absoluut niet perfect. De modellen zijn allemaal op verschillende schalen, ze zijn verkrijgbaar in verschillende tijdresoluties. Ze hebben allemaal verschillende vooroordelen. Een andere uitdaging is de enorme hoeveelheid gegevens. ”
Dat is een van de redenen waarom zoveel wetenschappers naar AI kijken om al die gegevens te helpen begrijpen. Zelfs NOAA komt aan boord. Zij zijn degenen die de GOES-satellieten bedienen, dus ze zijn ook overspoeld met gegevens.
Tot nu toe gebruiken NOAA-wetenschappers diep leren als een manier om te begrijpen welke gegevens ze kunnen verkrijgen van hun afbeeldingen, vooral nu de nieuwe GOES-16 16 verschillende spectrale banden kan detecteren, die elk een andere glimp in weerpatronen bieden, wat resulteert in een orde van grootte meer gegevens dan de vorige satelliet. "De verwerking van de satellietgegevens kan aanzienlijk sneller zijn wanneer u diepgaand leren toepast", zegt Jebb Stewart, hoofd informatica en visualisatie bij NOAA. “Hiermee kunnen we ernaar kijken. Er is een brandslang van informatie ... wanneer het model deze voorspellingen maakt, hebben we een ander type informatieprobleem, dat kunnen verwerken om het te begrijpen voor voorspellingen. "
NOAA traint zijn computers om orkanen uit zijn satellietbeelden te kiezen en zal dat uiteindelijk combineren met andere gegevenslagen om probabilistische voorspellingen te verbeteren, wat de marine, commerciële rederijen, boorplatforms en vele andere industrieën helpt betere beslissingen te nemen over hun activiteiten.
NASA gebruikt ook diepgaand leren om de real-time intensiteit van tropische stormen te schatten en ontwikkelt algoritmische regels die patronen in het zichtbare en infrarode spectrum herkennen. De webtool van het bureau laat gebruikers afbeeldingen en windsnelheid voorspellingen zien voor live en historische orkanen op basis van GOES-gegevens.
Zodra we kunnen verwachten dat computers op betrouwbare wijze orkanen kunnen herkennen, hebben we een manier nodig om dat te vertalen naar iets dat mensen kunnen begrijpen. Er is veel meer informatie beschikbaar dan alleen windsnelheid en als we dit begrijpen, kunnen we alle andere manieren begrijpen waarop orkanen gemeenschappen beïnvloeden. Hussam Mahmoud, universitair hoofddocent civiele en milieutechniek aan de Colorado State University, heeft uitgebreid gekeken naar de factoren die sommige orkanen desastreuzer maken dan andere. De belangrijkste onder hen, zegt hij, is waar die stormen aan land komen, en wat, of wie, wacht op hen wanneer ze daar aankomen. Het is niet verwonderlijk om te suggereren dat een orkaan die een stad treft meer schade zal aanrichten dan een die een onbezette kust raakt, maar een die een gebied treft dat is voorbereid met zeeweringen en andere verzachtende factoren, zal ook een verminderde impact hebben.
Als je eenmaal weet wat voor schade je kunt verwachten, kun je beter voorbereid zijn op de uitdagingen voor steden, zoals drukte in ziekenhuizen en schooluitval, en je kunt er zekerder van zijn of evacuatie nodig is. Maar dan is er het probleem van communicatie: momenteel worden orkanen beschreven door hun windsnelheid, geplaatst in categorieën van 1 tot 5. Maar windsnelheid is slechts één voorspeller van schade. Mahmoud en zijn medewerkers publiceerden vorig jaar een studie in Frontiers in Built Environment over een beoordeling genaamd de Hurricane Impact Level.
"We wilden iets doen waar we het risico op een betere manier kunnen communiceren, inclusief de verschillende mogelijkheden die dit gevaar met zich meebrengt", zegt Mahmoud. "De stormvloed zou erg belangrijk zijn, hoeveel neerslag je hebt is erg belangrijk, en hoeveel windsnelheid."
Het project bevat gegevens van recente stormen - windsnelheid, stormvloed en neerslag, maar ook locatie en bevolking - en past een neuraal netwerk op hen toe. Vervolgens kan het zichzelf trainen, bijvoorbeeld inschatten of een orkaan op de X-locatie zou aankomen, met windsnelheid Y, stormvloed Z, enz., De schade zou waarschijnlijk van een bepaald niveau zijn, uitgedrukt in economische kosten. Het vergelijkt input van NOAA-records, volkstellingen en andere bronnen van echte stormen, en geeft een schadegraad die vergelijkbaar is met wat zich in die stormen heeft voorgedaan. Het team van Mahmoud heeft het echt geprobeerd, en in de afgelopen twee jaar heeft het model nauwkeurige schattingen gegeven voor orkanen die landden.
“Als we dat kunnen doen, kunnen we misschien eerst en vooral de omvang begrijpen van de schade die we door een orkaan gaan oplopen, en ... gebruiken om evacuatieopdrachten te geven, een van de belangrijkste problemen met orkaan mitigatie en reactie, ”zegt Mahmoud.
Het voorgestelde systeem van Mahmoud is nog niet uitgerold, maar hij is in gesprek met The Weather Channel, dat hij in een vroeg stadium noemt, maar veelbelovend.
The Weather Company (het moederbedrijf van The Weather Channel) maakt al gebruik van het PAIRS Geoscope big data-platform van IBM om stroomuitval te voorspellen en zo een betere respons op rampen voor te bereiden na orkanen. De ingangen voor het systeem zijn niet alleen afkomstig van weersatellieten, maar ook van netwerkmodellen en geschiedenis van stroomuitval. Ook deze voorspellingen zullen profiteren van het toevoegen van meer en meer gegevensbronnen, waaronder bodemvocht, die kunnen helpen bij het voorspellen van boomvallen.
De hoeveelheid beschikbare gegevens groeit extreem snel, evenals ons vermogen om het te verwerken, een wapenwedloop die wijst op een toekomst van toenemende nauwkeurigheid en probabilistische orkaanvoorspelling die de paraatheid bij stormen wereldwijd zal helpen.
# Alder, Mountaineer en MosesFires # Alder, Mountaineer en MosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 acres # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildvuursignaal (@wildfiresignal) 27 november 2018
Descartes Labs heeft ook een ander project in de maak, dat geen verband houdt met orkanen, behalve dat het vergelijkbare technologie toepast op een andere natuurramp - bosbranden. Toen het kampvuur in Californië begin november uitbrak, kwam een twitterbot met de naam @wildfiresignal tot leven. Gebouwd door hetzelfde team van Descartes, zoekt @wildfiresignal elke zes uur gegevens van GOES-16 voor rookpluimen en tweets naast elkaar optische en infraroodbeelden van het vuur. Infraroodinformatie kan de hitte van het vuur weergeven, wat kan helpen de locatie te visualiseren net wanneer de brand begint, of 's nachts wanneer rook moeilijk te zien is. Dit kan brandweerlieden of bewoners helpen bij het plannen van ontsnappingsroutes naarmate de brand hen nadert, maar, net als bij het orkaanproject, zijn samenwerking met brandweerlieden of nationale bossen voorlopig.
"Als we wereldwijd een waarschuwingssysteem zouden hebben waarbij je wist wanneer een brand binnen tien minuten na het ontstaan ontstond, zou dat spectaculair zijn", zegt Mark Johnson van Descartes, CEO. "We zijn waarschijnlijk nog steeds een manier verwijderd van dat, maar dat is het ultieme doel."
* Editor's Note, 28 november 2018: een eerdere versie van dit artikel verklaarde ten onrechte dat het hoofdkantoor van Descartes Labs in Los Alamos, New Mexico is, terwijl het zich in feite nu in Santa Fe, New Mexico bevindt. Het verhaal is bewerkt om dat feit te corrigeren.
