Am Freitagnachmittag kommen Caitlin Kontgis und einige der anderen Wissenschaftler der Descartes Labs in ihrem Büro in Santa Fe, New Mexico, zusammen, um an einem Basisprojekt zu arbeiten, das nicht zu ihren Aufgaben gehört: Wirbelstürme von oben zu beobachten und zu sehen, ob sie auftreten Ich kann herausfinden, was die Stürme bewirken werden. *
Sie erfassen Daten von GOES, dem von NOAA und NASA betriebenen geostationären Umgebungssatelliten, der alle fünf Minuten Bilder der westlichen Hemisphäre aufzeichnet. So lange braucht das Team ungefähr, um jedes Bild durch einen Deep-Learning-Algorithmus zu verarbeiten, der das Auge eines Hurrikans erkennt und den Bildprozessor darauf zentriert. Dann integrieren sie synthetische Aperturdaten, die langwelliges Radar verwenden, um durch Wolken zu sehen, und können Wasser darunter basierend auf dem Reflexionsvermögen erkennen. Dies kann in Echtzeit Überschwemmungen von Städten auf dem Weg von Hurrikanen anzeigen, die über Tage hinweg verfolgt werden.
„Das Ziel dieser Projekte… ist es, Daten in die Hände von Ersthelfern und Menschen zu bringen, die Entscheidungen treffen und helfen können“, sagt Kontgis, leitender angewandter Wissenschaftler bei Descartes.
So hat beispielsweise der Hurrikan Harvey unerwartet große Teile von Houston überflutet, obwohl die Windgeschwindigkeiten nachließen. Dieser Sturm inspirierte die Descartes-Wissenschaftler dazu, das Programm zu entwickeln, das sie jetzt verwenden, obwohl sie zu spät waren, um diese Daten auf Wiederherstellungsbemühungen anzuwenden. Während Descartes Labs mit der FEMA und anderen Organisationen in Kontakt stand, gibt es keine offizielle Verwendung für die Daten, die sie sammeln.
Dieses Bild zeigt die Wahrscheinlichkeit von Wasser vor dem Hurrikan Harvey über dem ländlichen Süden von Houston, gemessen mit einem tief lernenden Computer-Vision-Modell von Descartes Labs zur Erkennung von Überschwemmungen. Das Vorher-Bild ist vom 1. Juni 2017. (Descartes Labs) 
Dieses Bild zeigt die Wahrscheinlichkeit von Wasser während des Hurrikans Harvey im selben Gebiet. Dunkleres Blau deutet auf eine höhere Wasserwahrscheinlichkeit hin. Dieses "während" -Bild stammt vom 29. August 2017. (Descartes Labs) Die Arbeit mit Hurrikanen ist nicht Teil des Hauptgeschäfts von Descartes, das darin besteht, mithilfe ähnlichen maschinellen Lernens Lebensmittelversorgungsketten, Immobilien und mehr zu bewerten. Descartes kann beispielsweise Satellitendaten der Landwirtschaft in Brasilien, Argentinien und China einsehen und Prognosen zu globalen Maiserträgen und -preisen abgeben. Oder es kann die Bauraten beurteilen und den Grundstückswert schätzen. Die Gruppe kann jedoch dieselbe Technologie nutzen, um Hurrikane und andere Naturkatastrophen zu untersuchen, und plant, in Zukunft zusätzliche Informationen in den Algorithmus einzubeziehen, z. B. die Größe des Hurrikans, die Windgeschwindigkeit und sogar die Höhe des Bodens, um Überschwemmungen besser vorhersagen zu können.
Descartes ist nur eine von zahlreichen Agenturen, Unternehmen und Forschungsgruppen, die versuchen, Big Data und maschinelles Lernen für die Vorhersage, Sicherheit und das Bewusstsein von Hurrikanen zu nutzen. Erfolg könnte zu geringeren wirtschaftlichen und menschlichen Schäden führen, wenn sich die klimabedingten Stürme verschlimmern, oder zumindest zu mehr Möglichkeiten, diese Schäden abzumildern.
Die Vorhersage, wohin ein Hurrikan führen wird, ist eine allgemein anerkannte Perspektive, sagt Amy McGovern, Professorin für Informatik an der Universität von Oklahoma. McGovern untersucht aus diesem Grund die Verwendung von KI bei der Entscheidungsfindung in Bezug auf Gewitter und Tornados, jedoch nicht auf Hurrikane. Aber sie sagt, es gibt immer noch viele Faktoren in Hurrikanen, die schwer vorherzusagen sind. Wo sie landen werden, mag vorhersehbar sein, aber was passieren wird, wenn sie dort ankommen, ist eine andere Geschichte. Wirbelstürme sind bekannt dafür, dass sie kurz vor der Landung ausbrechen oder ansteigen.
Selbst bei neuronalen Netzen verwenden Großmodelle aufgrund einer begrenzten Datenmenge und einer nahezu unbegrenzten Anzahl potenzieller Eingabetypen bestimmte Annahmen. "Das alles ist eine Herausforderung für die KI", sagt McGovern. „Die Modelle sind definitiv nicht perfekt. Die Modelle haben alle unterschiedliche Maßstäbe. Sie sind in unterschiedlichen zeitlichen Auflösungen erhältlich. Sie alle haben unterschiedliche Vorurteile. Eine weitere Herausforderung ist die überwältigende Datenmenge. “
Das ist einer der Gründe, warum so viele Wissenschaftler auf AI setzen, um all diese Daten besser zu verstehen. Auch NOAA steigt ein. Sie sind diejenigen, die die GOES-Satelliten betreiben, also sind sie auch mit Daten überflutet.
Bisher verwenden NOAA-Wissenschaftler Deep Learning, um zu verstehen, welche Daten sie aus ihren Bildern erhalten können, insbesondere jetzt, da der neue GOES-16 16 verschiedene Spektralbänder erfassen kann, von denen jedes einen unterschiedlichen Blick auf Wettermuster bietet um eine Größenordnung mehr Daten als der vorherige Satellit. „Die Verarbeitung der Satellitendaten kann erheblich beschleunigt werden, wenn Sie tiefgreifendes Lernen anwenden“, sagt Jebb Stewart, Chef für Informatik und Visualisierung bei NOAA. „Wir können es uns ansehen. Es gibt einen Feuerlöschschlauch an Informationen… Wenn das Modell diese Vorhersagen erstellt, haben wir eine andere Art von Informationsproblem, das wir verarbeiten können, um es für Vorhersagen sinnvoll zu machen. “
Die NOAA trainiert ihre Computer, um Hurrikane aus ihren Satellitenbildern herauszusuchen, und wird diese schließlich mit anderen Datenschichten kombinieren, um wahrscheinlichkeitstheoretische Prognosen zu verbessern, die der Marine, Handelsschifffahrtsunternehmen, Ölplattformen und vielen anderen Branchen helfen, bessere Entscheidungen zu treffen Operationen.
Auch die NASA nutzt Deep Learning, um die Intensität tropischer Stürme in Echtzeit abzuschätzen und algorithmische Regeln zu entwickeln, die Muster im sichtbaren und infraroten Spektrum erkennen. Mit dem webbasierten Tool der Agentur können Benutzer Bilder und Windgeschwindigkeitsvorhersagen für Live-Hurrikane und historische Hurrikane auf der Grundlage von GOES-Daten anzeigen.
Wenn wir davon ausgehen können, dass Computer Hurrikane zuverlässig erkennen, brauchen wir eine Möglichkeit, dies in etwas zu übersetzen, das die Menschen verstehen können. Es gibt viel mehr Informationen als nur die Windgeschwindigkeit, und wenn wir einen Sinn daraus ziehen, können wir besser verstehen, wie Hurrikane die Gemeinden beeinflussen. Hussam Mahmoud, außerordentlicher Professor für Bau- und Umweltingenieurwesen an der Colorado State University, hat sich eingehend mit den Faktoren befasst, die manche Hurrikane katastrophaler machen als andere. Unter ihnen, sagt er, sei vor allem, wo diese Stürme landen und was oder wer auf sie wartet, wenn sie dort ankommen. Es ist nicht überraschend anzunehmen, dass ein Hurrikan, der eine Stadt trifft, mehr Schaden anrichtet als ein Hurrikan, der eine unbesetzte Küste trifft, aber ein Hurrikan, der ein Gebiet trifft, das mit Mauern und anderen mildernden Faktoren versehen ist, hat ebenfalls einen geringeren Einfluss.
Wenn Sie wissen, mit welchen Schäden Sie rechnen müssen, können Sie besser auf die Herausforderungen für Städte vorbereitet sein, z. B. auf das Gedränge in Krankenhäusern und auf Schulschließungen, und Sie können sicherer sein, ob eine Evakuierung erforderlich ist. Aber dann gibt es das Problem der Kommunikation: Derzeit werden Hurrikane durch ihre Windgeschwindigkeit in Kategorien von 1 bis 5 beschrieben. Die Windgeschwindigkeit ist jedoch nur ein Prädiktor für den Schaden. Mahmoud und seine Mitarbeiter haben im vergangenen Jahr in Frontiers in Built Environment eine Studie über eine Bewertung mit dem Namen Hurricane Impact Level veröffentlicht.
„Wir wollten etwas tun, mit dem wir das Risiko besser kommunizieren können, einschließlich der verschiedenen Möglichkeiten, die diese Gefahr mit sich bringen könnte“, sagt Mahmoud. "Die Sturmflut wäre sehr wichtig, wie viel Niederschlag Sie haben, und wie viel Windgeschwindigkeit."
Das Projekt berücksichtigt Daten der jüngsten Stürme - Windgeschwindigkeit, Sturmflut und Niederschlag, aber auch Ort und Bevölkerung - und wendet ein neuronales Netzwerk auf diese an. Dann kann er sich selbst trainieren und beispielsweise abschätzen, ob ein Hurrikan in X-Richtung mit Windgeschwindigkeit Y, Sturmflut Z usw. landen sollte. Der Schaden würde wahrscheinlich ein bestimmtes Ausmaß haben, ausgedrückt in wirtschaftlichen Kosten. Es vergleicht Eingaben aus NOAA-Aufzeichnungen, Volkszählungsdaten und anderen Quellen von echten Stürmen und gibt eine Schadensstufe an, die derjenigen in diesen Stürmen ähnelt. Mahmouds Team hat es ausprobiert, und in den letzten zwei Jahren hat das Modell genaue Schätzungen für Hurrikane abgegeben, die Landung verursacht haben.
„Wenn wir das schaffen, können wir vielleicht zuallererst das Ausmaß des Schadens verstehen, den wir durch einen Hurrikan erleiden werden, und ... damit Evakuierungsbefehle ausstellen, die eine der Hauptursachen waren Probleme mit der Minderung und Reaktion auf Hurrikane “, sagt Mahmoud.
Mahmouds vorgeschlagenes System wurde noch nicht eingeführt, aber er befindet sich in Gesprächen mit The Weather Channel, den er frühzeitig als vielversprechend bezeichnet.
Die Weather Company (Muttergesellschaft des Weather Channels) nutzt bereits die Big-Data-Plattform PAIRS Geoscope ihrer Tochtergesellschaft IBM, um Stromausfälle vorherzusagen und so eine bessere Katastrophenreaktion nach Wirbelstürmen vorzubereiten. Die Eingaben für das System stammen nicht nur von Wettersatelliten, sondern auch von Versorgungsnetzmodellen und dem Verlauf von Stromausfällen. Auch diese Vorhersagen werden davon profitieren, dass immer mehr Datenquellen, einschließlich der Bodenfeuchtigkeit, hinzugefügt werden, die bei der Vorhersage von Baumstürzen hilfreich sind.
Die Menge der verfügbaren Daten nimmt extrem schnell zu, ebenso wie unsere Fähigkeit, sie zu verarbeiten. Dies ist ein Wettrüsten, das auf eine Zukunft mit zunehmender Genauigkeit und probabilistischer Vorhersage von Hurrikanen hinweist, die dazu beitragen wird, die weltweite Sturmbereitschaft zu verbessern.
# Erle, Bergsteiger und MosesFiresFire # Erle, Bergsteiger und MosesFires; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36, 410, -118, 740; 1718 Morgen # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27. November 2018
Descartes Labs hat auch ein anderes Projekt in Arbeit, das nichts mit Hurrikanen zu tun hat, außer dass es eine ähnliche Technologie bei einer anderen Naturkatastrophe einsetzt - Waldbrände. Als Anfang November das kalifornische Lagerfeuer ausbrach, erwachte ein Twitter-Bot namens @wildfiresignal zum Leben. @Wildfiresignal wurde von demselben Descartes-Team erstellt und durchsucht alle sechs Stunden die GOES-16-Daten nach Rauchfahnen und Tweets, um nebeneinander optische und infrarote Bilder des Feuers zu erhalten. Infrarotinformationen können die Hitze des Feuers anzeigen und helfen, die Position des Feuers zu erkennen, wenn das Feuer beginnt oder nachts, wenn Rauch schwer zu erkennen ist. Dies könnte Feuerwehrleuten oder Anwohnern helfen, Fluchtwege zu planen, wenn sich das Feuer ihnen nähert. Wie beim Hurrikanprojekt sind jedoch Kooperationen mit Feuerwehrleuten oder nationalen Wäldern vorläufig.
„Wenn wir weltweit ein Warnsystem haben könnten, bei dem Sie wissen, wann ein Brand innerhalb von zehn Minuten nach dem Ausbruch ausgelöst wurde, wäre das spektakulär“, sagt Descartes-CEO Mark Johnson. "Wir sind wahrscheinlich noch weit davon entfernt, aber das ist das ultimative Ziel."
* Anmerkung des Herausgebers, 28. November 2018: In einer früheren Version dieses Artikels wurde fälschlicherweise angegeben, dass sich der Hauptsitz von Descartes Labs in Los Alamos, New Mexico, befindet, obwohl er sich jetzt in Santa Fe, New Mexico, befindet. Die Geschichte wurde bearbeitet, um diese Tatsache zu korrigieren.
