Pada Jumat sore, Caitlin Kontgis dan beberapa ilmuwan lain di Descartes Labs berkumpul di kantor mereka di Santa Fe, New Mexico, dan mulai mengerjakan proyek akar rumput yang bukan bagian dari pekerjaan mereka: mengawasi badai dari atas, dan melihat apakah mereka dapat mengetahui apa yang akan dilakukan badai. *
Mereka memperoleh data dari GOES, Satelit Lingkungan Operasional Geostasioner yang dioperasikan oleh NOAA dan NASA, yang merekam gambar Belahan Barat setiap lima menit. Itu tentang berapa lama yang dibutuhkan tim untuk memproses setiap gambar melalui algoritma pembelajaran yang mendalam yang mendeteksi mata badai dan memusatkan prosesor gambar lebih dari itu. Kemudian, mereka menggabungkan data aperture sintetis, yang menggunakan radar gelombang panjang untuk melihat melalui awan, dan dapat membedakan air di bawahnya berdasarkan reflektifitas. Itu, pada gilirannya, dapat menunjukkan banjir hampir waktu-nyata, dilacak selama beberapa hari, dari kota-kota di jalur topan.
"Tujuan dari proyek-proyek ini ... adalah benar-benar untuk mendapatkan data ke tangan responden pertama dan orang-orang yang membuat keputusan dan dapat membantu, " kata Kontgis, pemimpin ilmuwan terapan di Descartes.
Hurricane Harvey, misalnya, tiba-tiba membanjiri sebagian besar Houston meskipun kecepatan angin mereda. Badai itu mengilhami para ilmuwan Descartes untuk membangun program yang sekarang mereka gunakan, meskipun mereka sudah terlambat untuk menerapkan data itu pada upaya pemulihan. Sementara Descartes Labs telah berhubungan dengan FEMA dan organisasi lain, tidak ada penggunaan resmi untuk data yang mereka kumpulkan.
Gambar ini menunjukkan kemungkinan air sebelum Badai Harvey di daerah pedesaan selatan Houston, yang diukur dengan model penglihatan komputer pembelajaran dalam dari Descartes Labs yang dimaksudkan untuk deteksi banjir. Gambar "sebelum" adalah dari 1 Juni 2017. (Descartes Labs) 
Gambar ini menunjukkan kemungkinan air selama Badai Harvey di area yang sama. Biru gelap menunjukkan kemungkinan air lebih tinggi. Gambar "selama" ini berasal dari 29 Agustus 2017. (Descartes Labs) Pekerjaan dengan angin topan bukan bagian dari bisnis utama Descartes, yang terdiri dari penggunaan pembelajaran mesin serupa untuk menilai rantai pasokan makanan, real estat dan banyak lagi. Misalnya, Descartes dapat melihat data satelit pertanian di Brasil, Argentina, dan Cina, dan membuat prediksi tentang hasil dan harga jagung global. Atau dapat menilai tingkat konstruksi dan memperkirakan nilai tanah. Tetapi kelompok ini dapat memanfaatkan teknologi yang sama untuk memeriksa badai dan bencana alam lainnya, dan berencana untuk memasukkan informasi tambahan ke algoritme di masa depan, seperti ukuran badai, kecepatan angin, dan bahkan ketinggian daratan untuk memprediksi banjir dengan lebih baik.
Descartes hanyalah salah satu dari banyak agensi, perusahaan, dan grup penelitian yang berusaha memanfaatkan data besar dan pembelajaran mesin tentang prediksi badai, keamanan, dan kesadaran. Keberhasilan dapat berarti berkurangnya kerusakan - ekonomi dan manusia - dalam menghadapi memburuknya badai yang disebabkan oleh iklim, atau setidaknya meningkatnya pilihan untuk mengurangi kerusakan tersebut.
Memprediksi ke mana badai akan pergi adalah perspektif yang sudah mapan, kata Amy McGovern, seorang profesor ilmu komputer di University of Oklahoma. McGovern mempelajari penggunaan AI dalam pengambilan keputusan tentang badai dan tornado, tetapi bukan badai, karena alasan itu. Namun dia mengatakan masih ada banyak faktor dalam badai yang sulit diprediksi. Di mana mereka akan mendarat mungkin dapat diprediksi, tetapi apa yang akan terjadi begitu mereka tiba di sana adalah cerita lain; Badai terkenal karena melesat keluar atau naik tepat sebelum jatuh.
Bahkan dengan jaringan saraf, semua model skala besar menggunakan asumsi tertentu, berkat jumlah data yang terbatas yang dapat mereka gabungkan dan jumlah input tipe yang hampir tak terbatas. "Ini menjadikannya semua tantangan bagi AI, " kata McGovern. “Modelnya jelas tidak sempurna. Model-model semua pada skala yang berbeda, Mereka tersedia pada resolusi waktu yang berbeda. Mereka semua memiliki bias yang berbeda. Tantangan lain hanyalah banyaknya data. ”
Itulah salah satu alasan mengapa banyak ilmuwan mencari AI untuk membantu memahami semua data itu. Bahkan NOAA mulai bergabung. Merekalah yang mengoperasikan satelit GOES, jadi mereka juga dibanjiri data.
Sejauh ini, para ilmuwan NOAA menggunakan pembelajaran mendalam sebagai cara untuk memahami data apa yang dapat mereka peroleh dari gambar mereka, terutama sekarang bahwa GOES-16 yang baru dapat merasakan 16 pita spektrum yang berbeda, masing-masing memberikan pandangan yang berbeda ke dalam pola cuaca, sehingga menghasilkan urutan besarnya lebih banyak data dari satelit sebelumnya. "Pemrosesan data satelit dapat secara signifikan lebih cepat ketika Anda menerapkan pembelajaran mendalam untuk itu, " kata Jebb Stewart, kepala informatika dan visualisasi di NOAA. “Ini memungkinkan kita untuk melihatnya. Ada banyak sekali informasi ... ketika model membuat prakiraan ini, kami memiliki jenis masalah informasi yang berbeda, mampu memprosesnya agar masuk akal untuk prakiraan. ”
NOAA sedang melatih komputernya untuk memilih badai dari citra satelitnya, dan pada akhirnya akan menggabungkannya dengan lapisan data lain untuk meningkatkan perkiraan probabilistik, yang akan membantu Angkatan Laut, perusahaan pelayaran komersial, rig minyak dan banyak industri lainnya membuat keputusan yang lebih baik tentang mereka. operasi.
NASA, juga, menggunakan pembelajaran mendalam, untuk memperkirakan intensitas badai tropis real-time, mengembangkan aturan algoritmik yang mengenali pola dalam spektrum inframerah dan terlihat. Alat berbasis web agensi ini memungkinkan pengguna melihat gambar dan prediksi kecepatan angin untuk badai langsung dan bersejarah berdasarkan data GOES.
Begitu kita dapat mengharapkan komputer untuk mendeteksi badai, kita perlu cara untuk menerjemahkannya ke sesuatu yang dapat dipahami orang. Ada banyak informasi yang tersedia lebih dari sekadar kecepatan angin, dan dengan masuk akal dapat membantu kita memahami semua cara lain badai mempengaruhi masyarakat. Hussam Mahmoud, profesor teknik sipil dan lingkungan di Colorado State University, telah melihat secara luas pada faktor-faktor yang membuat beberapa badai lebih berbahaya daripada yang lain. Primer di antara mereka, katanya, adalah di mana badai membuat pendaratan, dan apa, atau siapa, yang menunggu mereka ketika mereka sampai di sana. Tidaklah mengherankan untuk menyarankan bahwa badai yang menyerang sebuah kota akan menimbulkan lebih banyak kerusakan daripada badai yang menghantam pantai yang tidak dihuni, tetapi badai yang menghantam suatu daerah yang dipersiapkan dengan dinding laut dan faktor-faktor mitigasi lainnya akan memiliki dampak yang berkurang juga.
Begitu Anda tahu kerusakan seperti apa yang diharapkan, Anda bisa lebih siap menghadapi tantangan di kota, seperti berkerumun di rumah sakit dan penutupan sekolah, dan Anda bisa lebih yakin apakah evakuasi diperlukan. Tapi kemudian ada masalah komunikasi: Saat ini, angin topan dijelaskan oleh kecepatan angin mereka, ditempatkan dalam kategori dari 1 hingga 5. Tetapi kecepatan angin hanyalah satu prediktor kerusakan. Mahmoud dan rekan-rekannya menerbitkan sebuah studi tahun lalu di Frontiers in Built Environment tentang penilaian yang disebut Tingkat Dampak Badai.
“Kami ingin melakukan sesuatu di mana kami dapat mengkomunikasikan risiko dengan cara yang lebih baik, yang mencakup berbagai kemungkinan bahaya ini, ” kata Mahmoud. "Lonjakan badai akan sangat penting, berapa banyak curah hujan yang Anda miliki sangat penting, dan seberapa banyak kecepatan angin."
Proyek ini menggabungkan data dari badai baru-baru ini - kecepatan angin, gelombang badai dan curah hujan, tetapi juga lokasi dan populasi - dan menerapkan jaringan saraf pada mereka. Kemudian dapat melatih dirinya sendiri, memperkirakan, misalnya, jika badai harus membuat pendaratan di lokasi X, dengan kecepatan angin Y, badai lonjakan Z, dll., Kerusakan mungkin akan dari tingkat tertentu, dinyatakan dalam biaya ekonomi. Ini membandingkan input dari catatan NOAA, data sensus dan sumber lain dari badai nyata, dan memberikan tingkat kerusakan yang mirip dengan apa yang terjadi pada badai itu. Tim Mahmoud mencobanya secara nyata, dan selama dua tahun terakhir, model tersebut telah memberikan perkiraan akurat untuk badai yang membuat pendaratan.
"Jika kita bisa melakukan itu, mungkin kita bisa, pertama-tama, memahami besarnya kerusakan yang akan kita alami karena badai, dan ... menggunakannya untuk mengeluarkan perintah evakuasi, yang telah menjadi salah satu penyebab utama masalah dengan mitigasi dan respons badai, ”kata Mahmoud.
Sistem yang diusulkan Mahmoud belum diluncurkan, tetapi dia sedang dalam pembicaraan dengan The Weather Channel, yang dia sebut tahap awal, tetapi menjanjikan.
Weather Company (perusahaan induk Weather Channel) sudah menggunakan platform data besar PAIRS Geoscope anak perusahaan IBM untuk memperkirakan pemadaman listrik dan dengan demikian menyiapkan respons bencana yang lebih baik di tengah badai. Input untuk sistem datang tidak hanya dari satelit cuaca, tetapi dari model jaringan utilitas dan riwayat pemadaman listrik. Prediksi ini juga akan mendapat manfaat dengan menambahkan lebih banyak sumber data, termasuk kelembaban tanah, yang dapat membantu memprediksi pohon jatuh.
Jumlah data yang tersedia tumbuh sangat cepat, dan begitu juga kemampuan kita untuk memprosesnya, perlombaan senjata yang menunjukkan masa depan yang meningkatkan akurasi dan peramalan badai probabilistik yang akan membantu kesiapan badai di seluruh dunia.
# Alder, Mountaineer, andMosesFire # Alder, Mountaineer, andMosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 hektar # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27 November 2018
Descartes Labs juga memiliki proyek lain dalam pekerjaannya, yang tidak terkait dengan badai kecuali bahwa ia memanfaatkan teknologi serupa pada bencana alam lain - kebakaran hutan. Ketika Camp Fire California pecah pada awal November, sebuah bot twitter bernama @wildfiresignal langsung hidup. Dibuat oleh tim yang sama dari Descartes, data pencarian mangsa @wildfiresignal setiap enam jam dari GOES-16 untuk gumpalan asap dan kicauan gambar optik dan inframerah berdampingan dari api. Informasi inframerah dapat menunjukkan panasnya api, yang dapat membantu memvisualisasikan lokasinya tepat saat kobaran api mulai, atau pada malam hari ketika asap sulit dilihat. Ini bisa membantu petugas pemadam kebakaran atau penduduk merencanakan rute pelarian ketika api mendekati mereka, tetapi, seperti halnya dengan proyek topan, kolaborasi dengan petugas pemadam kebakaran atau hutan nasional merupakan pendahuluan.
"Jika kita dapat memiliki sistem peringatan global di mana Anda tahu kapan kebakaran dimulai dalam sepuluh menit setelah kebakaran dimulai, itu akan sangat spektakuler, " kata CEO Descartes Mark Johnson. "Kita mungkin masih jauh dari itu, tapi itu tujuan akhir."
* Catatan Editor, 28 November 2018: Versi sebelumnya dari artikel ini secara tidak benar menyatakan bahwa kantor pusat untuk Descartes Labs adalah di Los Alamos, New Mexico, ketika, pada kenyataannya, sekarang terletak di Santa Fe, New Mexico. Cerita telah diedit untuk memperbaiki fakta itu.
