Venerdì pomeriggio, Caitlin Kontgis e alcuni altri scienziati dei Descartes Labs si riuniscono nel loro ufficio di Santa Fe, nel New Mexico, e si mettono al lavoro su un progetto di base che non fa parte del loro lavoro: guardare gli uragani dall'alto e vedere se può capire cosa faranno le tempeste. *
Acquisiscono dati da GOES, il satellite ambientale operativo geostazionario gestito da NOAA e NASA, che registra immagini dell'emisfero occidentale ogni cinque minuti. Si tratta di quanto tempo impiega il team a elaborare ogni immagine attraverso un algoritmo di apprendimento profondo che rileva l'occhio di un uragano e centra il processore di immagini su quello. Quindi, incorporano i dati di apertura sintetici, che utilizzano il radar a onde lunghe per vedere attraverso le nuvole e possono discernere l'acqua in base alla riflettività. Questo, a sua volta, può mostrare inondazioni quasi in tempo reale, seguite per giorni, di città nel percorso degli uragani.
"L'obiettivo di questi progetti ... è davvero quello di mettere i dati nelle mani dei primi soccorritori e delle persone che prendono decisioni e possono aiutare", afferma Kontgis, capo scienziato applicato di Cartesio.
L'uragano Harvey, ad esempio, ha inondato inaspettatamente gran parte di Houston nonostante l'abbattimento della velocità del vento. Quella tempesta ha ispirato gli scienziati di Cartesio a costruire il programma che ora usano, anche se erano troppo tardi per applicare quei dati agli sforzi di recupero. Mentre Descartes Labs è stato in contatto con FEMA e altre organizzazioni, non vi è alcun uso ufficiale per i dati che stanno raccogliendo.
Questa immagine mostra la probabilità dell'acqua prima dell'uragano Harvey sull'area rurale del sud di Houston, misurata da un modello di visione artificiale approfondito di Descartes Labs destinato alla rilevazione delle inondazioni. L'immagine "prima" è del 1 giugno 2017. (Descartes Labs) 
Questa immagine mostra la probabilità dell'acqua durante l'uragano Harvey sulla stessa area. I blu più scuri indicano una maggiore probabilità di acqua. Questa immagine "durante" è del 29 agosto 2017. (Descartes Labs) Il lavoro con gli uragani non fa parte dell'attività principale di Cartesio, che consiste nell'utilizzare l'apprendimento automatico simile per valutare le filiere alimentari, il settore immobiliare e altro ancora. Ad esempio, Cartesio può esaminare i dati satellitari dell'agricoltura in Brasile, Argentina e Cina e fare previsioni su rese e prezzi globali del mais. Oppure può valutare i tassi di costruzione e stimare il valore del terreno. Ma il gruppo può sfruttare la stessa tecnologia per esaminare gli uragani e altre catastrofi naturali e prevede in futuro di integrare ulteriori informazioni sull'algoritmo, come le dimensioni dell'uragano, la velocità del vento e persino l'elevazione del terreno per prevedere meglio le inondazioni.
Cartesio è solo una delle numerose agenzie, società e gruppi di ricerca che cercano di sfruttare i big data e l'apprendimento automatico sulla previsione, la sicurezza e la consapevolezza degli uragani. Il successo potrebbe significare una riduzione dei danni - economici e umani - di fronte al peggioramento delle tempeste indotte dal clima, o almeno maggiori opzioni per mitigare tali danni.
Prevedere dove andrà un uragano è una prospettiva consolidata, afferma Amy McGovern, professore di informatica all'Università dell'Oklahoma. Per questo motivo McGovern studia l'uso dell'IA nel processo decisionale su temporali e tornado, ma non sugli uragani. Ma dice che ci sono ancora molti fattori negli uragani che sono difficili da prevedere. Dove atterreranno potrebbe essere prevedibile, ma cosa accadrà una volta che ci sarà è un'altra storia; gli uragani sono ben noti per essere usciti o sfrecciati poco prima dello sbarco.
Anche con le reti neurali, i modelli su larga scala fanno tutti uso di determinati presupposti, grazie a una quantità finita di dati che possono incorporare e ad un numero quasi infinito di potenziali tipi di input. "Questo rende tutto una sfida per l'IA", afferma McGovern. “I modelli non sono assolutamente perfetti. I modelli sono tutti su scale diverse, sono disponibili con diverse risoluzioni temporali. Hanno tutti pregiudizi diversi. Un'altra sfida è proprio la straordinaria quantità di dati. ”
Questo è uno dei motivi per cui molti scienziati stanno cercando l'IA per aiutare a comprendere tutti quei dati. Anche NOAA sta salendo a bordo. Sono quelli che gestiscono i satelliti GOES, quindi sono anche inondati di dati.
Finora, gli scienziati del NOAA stanno usando il deep learning come un modo per capire quali dati possono ottenere dalle loro immagini, soprattutto ora che il nuovo GOES-16 è in grado di rilevare 16 diverse bande spettrali, ognuna delle quali fornisce uno sguardo diverso sui modelli meteorologici, risultando in un ordine di grandezza più dati rispetto al satellite precedente. "L'elaborazione dei dati satellitari può essere notevolmente più rapida quando si applica l'apprendimento profondo ad essi", afferma Jebb Stewart, capo di informatica e visualizzazione presso NOAA. “Ci permette di guardarlo. C'è una manichetta antincendio di informazioni ... quando il modello sta creando queste previsioni, abbiamo un diverso tipo di problema informativo, essendo in grado di elaborare questo per dare un senso a ciò per le previsioni. "
NOAA sta addestrando i suoi computer per individuare gli uragani dalle sue immagini satellitari e alla fine lo combinerà con altri strati di dati per migliorare le previsioni probabilistiche, che aiuteranno la Marina, le compagnie di navigazione commerciale, le piattaforme petrolifere e molte altre industrie a prendere decisioni migliori in merito alle loro operazioni.
Anche la NASA sta usando il deep learning per stimare l'intensità in tempo reale delle tempeste tropicali, sviluppando regole algoritmiche che riconoscono i modelli negli spettri visibili e infrarossi. Lo strumento web dell'agenzia consente agli utenti di visualizzare immagini e previsioni della velocità del vento per uragani storici e in diretta sulla base dei dati GOES.
Una volta che possiamo aspettarci che i computer individuino in modo affidabile gli uragani, abbiamo bisogno di un modo per tradurli in qualcosa che le persone possano capire. Ci sono molte più informazioni disponibili oltre alla velocità del vento e dare loro un senso può aiutarci a capire tutti gli altri modi in cui gli uragani influenzano le comunità. Hussam Mahmoud, professore associato di ingegneria civile e ambientale presso la Colorado State University, ha esaminato ampiamente i fattori che rendono alcuni uragani più disastrosi di altri. Primarie tra loro, dice, sono dove quelle tempeste fanno atterrare e cosa o chi le sta aspettando quando arrivano. Non è sorprendente suggerire che un uragano che colpisce una città farà più danni di uno che colpisce una costa non occupata, ma uno che colpisce un'area preparata con pareti marine e altri fattori attenuanti avrà anche un impatto ridotto.
Una volta che sai che tipo di danno aspettarti, puoi essere meglio preparato per le sfide per le città, come l'affollamento negli ospedali e le chiusure scolastiche, e puoi essere più sicuro se l'evacuazione è necessaria. Ma poi c'è il problema della comunicazione: attualmente, gli uragani sono descritti dalla loro velocità del vento, collocata in categorie da 1 a 5. Ma la velocità del vento è solo un fattore predittivo di danno. Mahmoud e i suoi collaboratori hanno pubblicato uno studio l'anno scorso su Frontiers in Built Environment su una valutazione chiamata Hurricane Impact Level.
"Volevamo fare qualcosa in cui possiamo comunicare il rischio in modo migliore, comprese le diverse possibilità che questo rischio potrebbe comportare", afferma Mahmoud. "L'impennata della tempesta sarebbe molto importante, quante precipitazioni hai è molto importante e quanta velocità del vento".
Il progetto incorpora i dati delle recenti tempeste - velocità del vento, ondata e precipitazioni, ma anche posizione e popolazione - e applica una rete neurale. Quindi può allenarsi, stimando, ad esempio, se un uragano dovesse approdare in posizione X, con velocità del vento Y, ondata di tempesta Z, ecc., Il danno sarebbe probabilmente di un livello particolare, espresso in costi economici. Confronta gli input dai record NOAA, i dati del censimento e altre fonti provenienti da tempeste reali e fornisce un livello di danno simile a quello che si è verificato in quelle tempeste. Il team di Mahmoud lo ha provato sul serio e, negli ultimi due anni, il modello ha fornito stime accurate per gli uragani che hanno fatto atterrare.
"Se riusciamo a farlo, forse allora, prima di tutto, possiamo capire l'entità del danno che stiamo per subire a causa di un uragano, e ... usarlo per emettere ordini di evacuazione, che sono stati uno dei principali problemi con l'attenuazione e la risposta dell'uragano ", afferma Mahmoud.
Il sistema proposto da Mahmoud non è stato ancora implementato, ma è in trattative con The Weather Channel, che definisce fase iniziale, ma promettente.
The Weather Company (la società madre di Weather Channel) sta già utilizzando la piattaforma di big data PAIRS Geoscope della sua affiliata IBM per prevedere le interruzioni di corrente e quindi preparare una migliore risposta ai disastri sulla scia degli uragani. Gli input per il sistema provengono non solo da satelliti meteorologici, ma da modelli di reti di utilità e cronologia delle interruzioni di corrente. Anche queste previsioni trarranno beneficio dall'aggiunta di sempre più fonti di dati, compresa l'umidità del suolo, che possono aiutare a prevedere le cadute degli alberi.
La quantità di dati disponibili sta crescendo estremamente rapidamente, così come la nostra capacità di elaborarli, una corsa agli armamenti che punta a un futuro di accuratezza in espansione e previsioni probabilistiche di uragano che aiuteranno la preparazione della tempesta in tutto il mondo.
# Alder, Mountaineer, and MosesFiresFire # Alder, Mountaineer, and MosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 acri # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27 novembre 2018
Descartes Labs ha anche un altro progetto in corso, non correlato agli uragani, tranne per il fatto che sfrutta una tecnologia simile su un altro disastro naturale: gli incendi. Quando il Camp Fire della California è scoppiato all'inizio di novembre, un bot di Twitter chiamato @wildfiresignal è nato. Costruito dallo stesso team di Descartes, @wildfiresignal procede alla ricerca di dati ogni sei ore da GOES-16 per pennacchi di fumo e tweet fianco a fianco di immagini ottiche e infrarosse dell'incendio. Le informazioni a infrarossi possono mostrare il calore del fuoco, il che può aiutare a visualizzare la sua posizione proprio mentre inizia l'incendio, o di notte quando il fumo è difficile da vedere. Ciò potrebbe aiutare i vigili del fuoco o i residenti a pianificare le vie di fuga man mano che l'incendio si avvicina a loro, ma, come nel caso del progetto uragano, le collaborazioni con i vigili del fuoco o le foreste nazionali sono preliminari.
"Se potessimo avere un sistema di allerta a livello globale in cui sapevi quando un incendio è iniziato entro dieci minuti dopo che è iniziato, sarebbe spettacolare", afferma Mark Johnson, CEO di Descartes. "Probabilmente siamo ancora molto lontani da quello, ma questo è l'obiettivo finale."
* Nota del redattore, 28 novembre 2018: una versione precedente di questo articolo affermava erroneamente che il quartier generale di Descartes Labs si trova a Los Alamos, nel New Mexico, quando, di fatto, ora si trova a Santa Fe, nel New Mexico. La storia è stata modificata per correggere questo fatto.
