Поскольку мы вступаем в сезон лесных пожаров в США, предотвращение стихийных бедствий и управление чрезвычайными ситуациями становятся критически важными. Согласно NPR, Лесная служба США предупредила, что этот год может быть более опасным, чем 2018, поскольку один миллиард акров земли по всей Америке находится под угрозой катастрофических лесных пожаров. Что можно сделать, чтобы свести к минимуму неминуемый риск и неизбежный вред в будущем? Машинное обучение и искусственный интеллект теперь используются для разработки инструментов и аналитики, которые оптимизируют усилия по подготовке к стихийным бедствиям и предсказывают поведение стихийных бедствий.

Рост числа стихийных бедствий представляет собой широкий риск для сообществ по всему миру. Этот риск часто наиболее остро ощущается уязвимыми и обнищавшими общинами, неподготовленными к разрушительным последствиям этих событий. Отчет, опубликованный прошлой зимой в журнале Nature Climate Change, показывает ускорение широкого спектра угроз, включая ураганы, наводнения, засухи и нехватку чистой воды во всем мире. Ученые сообщают, что, если мы не предпримем немедленных действий по сокращению выбросов парниковых газов к 2100 году, мы столкнемся с шестью стихийными бедствиями, происходящими одновременно на планете в катастрофах апокалиптического масштаба.

Сейчас мы переживаем более сухой воздух, более высокие температуры и сильные засухи на нескольких континентах. По мере того, как в атмосферу испаряется все больше водяного пара, сильные штормы будут усиливаться. Растущее атмосферное тепло и потепление океана вызывают увеличение скорости ветра, что приводит к усилению тропических штормов. Поскольку наши выбросы газа продолжают неумолимо расти, и есть мало свидетельств, позволяющих предположить, что многое будет сделано вовремя для решения последующих проблем в будущем.

Организации по борьбе со стихийными бедствиями все чаще используют алгоритмы машинного обучения для сбора более точных данных о рисках и уязвимостях. Это позволяет специалистам-спасателям принимать более обоснованные решения и спасать больше жизней. Twitter, Facebook, WhatsApp и поисковые системы Google теперь используются для сбора и анализа данных, сгенерированных жертвами, во многих странах во время кризисов. Гражданские лица публикуют фотографии, видео и информацию о местоположении, которые могут быть введены в алгоритмы машинного обучения, чтобы обеспечить решающее направление для групп реагирования.

FEMA тесно сотрудничает с Национальным управлением океанических и атмосферных исследований и Геологической службой США для доступа к данным в реальном времени и создания прогнозных моделей, которые помогают подготовить организацию к экстремальным погодным явлениям. Во время урагана Сэнди FEMA впервые использовало данные социальных сетей, чтобы помочь в принятии решений по реагированию на чрезвычайные ситуации. Целевая группа, состоящая из гражданских добровольцев и сотрудников FEMA, проанализировала миллионы сообщений Twitter, касающихся урагана Сэнди, чтобы лучше определить, что происходит на местах.

Несколько организаций использовали машинное обучение для определения «неформальных поселений» или трущоб, которые официально не зарегистрированы в городских планах, с целью выявления уязвимых групп населения. В Национальной лаборатории Ок-Ридж исследователи использовали спутниковые изображения для обнаружения поселений в Афганистане и Боливии. Они проанализировали роль пространственных, структурных и контекстных характеристик для картирования городских кварталов и вычислили несколько низкоуровневых характеристик изображений в различных масштабах для характеристики местных кварталов.

Пожарная служба Лос-Анджелеса, Пожарная служба округа Ориндж, Спасательная служба Сан-Диего и Комиссия по коммунальным предприятиям штата Калифорния сотрудничают с лабораторией WIFIRE, чтобы лучше определять, где в следующий раз распространятся активные пожары, и лучше планировать ответные меры. Исследователи WIFIRE выполняют прогнозное моделирование и прогнозирование пожаров в реальном времени с помощью инструмента под названием Firemap. Они объединяют наборы данных из различных источников, включая текущий прогноз погоды, информацию о растительности и ландшафтах от Министерства внутренних дел, данные спутникового слежения от НАСА и историческую информацию о пожарах, что приводит к наблюдениям и визуализациям, которые помогают в принятии решений. Вы можете получить доступ к их информации

Группа оперативной поддержки GeoSpatial Всемирного банка использовала машинное обучение для обнаружения зданий с высоким уровнем риска в Гватемале. Комбинация спутниковых снимков и снимков с дронов помогла определить материал крыши, который указывал на слабую подстилающую конструкцию, которая более уязвима для землетрясений. Из 5000 проанализированных домов 500 были определены как нуждающиеся в дополнительной структурной опоре.

Искусственный интеллект и машинное обучение изменили наш онлайн-шоппинг, открытие музыки и развлечения. Теперь применение этой технологии используется для спасения жизней.