Bygger et værktøj til forudsigelse af jordskred med Google og AI

I deres AI Impact Challenge 2019, Google spurgte nonprofitorganisationer, sociale virksomheder og forskningsinstitutioner rundt om i verden, "Hvordan ville du bruge kunstig intelligens (AI) til socialt gode?"

"Vi havde en god idé, der ledte efter sådan en mulighed, "sagde Chaopeng Shen, lektor i civil- og miljøteknik i Penn State og hovedforsker ved "deepLDB, "et af 20 projekter tildelt finansiering fra Google i udfordringen sidste år." Nedbør forårsaget af jordskred er en enorm risiko for mennesker, der bor i bjergrige områder, og vi troede, at der var en mulighed for at bruge AI til bedre at forudsige dem. "

I hele verden, jordskred forårsager tusinder af dødsfald og kvæstelser og koster milliarder af dollars hvert år, ifølge United States Geological Survey (USGS). De hyppigste af disse er forårsaget af nedbør, ofte omdannes til hurtigt bevægelige affaldsstrømme som Montecito, Californiens mudderskred i 2018.

Men Shen sagde, at mange af disse begivenheder også ikke blev rapporteret, komplicerer indsatsen for at studere og til sidst forudsige dem.

"De fleste oplysninger kommer fra nyhedsrapporter, og der mangler mange begivenheder, "Sagde Shen." For at vi bedre kan forudsige jordskred, vi skal starte med en god jordskreddatabase. "

Shen bemærkede, at med tilgængeligheden af ​​satellitbilleder fra Google Earth, tidligere jordskred kan identificeres fra rummet. Imidlertid, kun at finde én - langt mindre de tusinder, der er nødvendige for at udfylde en omfattende database - kræver, at et helt team søger billeder efter beviser for en tidligere begivenhed.

Medmindre du har AI.

"Det første mål med vores arbejde var at producere en kunstig intelligensmetode til at identificere disse begivenheder ud fra satellitbillederne, "Sagde Shen." Når AI er uddannet - når den kan afgøre, hvad der er et jordskred, og hvad der ikke er det - kan vi anvende det på et meget stort område, og det finder automatisk stedet med en formodet hændelse. "

I starten af ​​projektet, Shen og Penn State medforskere Tong Qiu, lektor i civil- og miljøteknik, og Daniel Kifer, professor i datalogi, blev forsynet med et indledende datasæt med kendte nedbørsinducerede jordskred af USGS. Efter at have fundet begivenhederne i Google Earth, de brugte satellitbillederne som træningseksempler i en proces kaldet "supervised learning".

"Det er dybest set objektidentifikation, "Sagde Shen." Ved at se på satellitbilledet, du får en fornemmelse af, at der måske har været en begivenhed, fordi scenen ændrede sig dramatisk. De fleste af de visuelle tegn kommer fra vegetationen. "

Over tid, AI begyndte at genkende de tegn, den kunne bruge til at identificere et jordskred, men det var også nødvendigt at få øje på forskellene fra andre hændelser, også. Formen på en forstyrrelse kan have angivet et jordskred, men det kunne også have været fra en løbeild, udgravet mine eller revet bygning.

"Det skal være i stand til at differentiere de virkelige signaler fra støj, "Sagde Shen." Hvad er et regnfremkaldt jordskred, og hvad er der ikke? "

Efter et års træning, Shen sagde, at modellen nu korrekt identificerer et jordskred 97% af tiden, men han understregede, at der stadig er brug for flere træningseksempler. Forskerne oprettede et websted, hvor folk kunne uploade deres egne Google Earth -billeder for at hjælpe med at træne modellen.

"Hvis et luftbillede af et jordskred ikke er fra et område, vi har fokuseret på, de kan hjælpe os med at rette op på det, "Sagde Shen." Jo flere data vi har, jo mere præcis modellen vil være. "

Ifølge Shen, præcisionsniveauet i databasen er det, der adskiller "deepLDB" fra hinanden, og det giver dem mulighed for at begynde at gå videre til projektets andet mål:forudsigelse.

"Det andet trin er at bruge AI til at forbinde hændelserne i databasen med nedbør og andre lokale forhold for at forsøge at forudsige, hvad der vil ske næste gang, "Shen sagde." Det nye aspekt af projektet er, at vi har en meget høj rumlig nøjagtighed, hvilket betyder, at vi ved præcis, hvor disse begivenheder er. Med denne form for præcision, vi kan overlejre begivenhederne med andre datasæt som jordtekstur og højde og finde ud af nogle af de grundlæggende årsager til, at det sker på det ene område og ikke det andet. Eller hvorfor i går og ikke dagen før. "

Han tilføjede, at arbejdet lige er begyndt på forudsigelsesmodellen, og de har arbejdet med Google AI -eksperter for at finde den bedste måde at opbygge AI, da den ser efter mønstre i den voksende database.

"De mennesker, jeg har arbejdet sammen med hos Google og deres filantropiske organisation, Google.org, virkelig ønsker at skabe nogle positive virkninger i verden, "Sagde Shen." Forhåbentlig, vi vil være i stand til at redde liv med denne indsats. "