Maskinlæring kan hjælpe os med at forudsige jordskred forårsaget af klimaændringer

Christoph Mertz, den vigtigste projektforsker ved Carnegie Mellon University's Robotics Institute, begyndte at tage billeder af bakkerne med udsigt over Pittsburghs West End på sin smartphone.

"Hver dag, i måneder, Jeg samlede billeder af disse bjergskråninger, " sagde Mertz. "Jeg ville se, om jeg kunne bruge disse billeder som en måde at forudsige det næste jordskred."

Jordskred er naturlige fænomener, men mange af de tilstande, der kan øge deres sandsynlighed, er forårsaget af menneskelig aktivitet, såsom at lede overfladeafstrømning til et område eller ændre naturlige skråninger til konstruktion af bygninger og veje. Kombineret med øgede nedbørsrater relateret til klimaændringer, jordskred i USA er blevet mere almindelige og mere alvorlige. United States Geological Survey anslår, at mellem 25 og 50 dødsfald hvert år skyldes jordskred, samt mellem 2 og 4 milliarder dollars i årlige tab på grund af skade på ejendom. Efterhånden som disse forhold forværres, disse tal forventes at stige.

For Mertz, Pittsburgh var et fremragende sted for dette arbejde. I 2018, Allegheny County oplevede et hidtil uset antal jordskred, resulterer i skader på mindst 131 ejendomme. Ved årets udgang, PennDOT anslåede, at omkostningerne til at reparere alle amtets jordskred-relaterede skader var omkring $40 millioner. Ikke alene ser dette beløb skræmmende ud, det virker helt uventet. Sidste år, Byen Pittsburgh overskred sit tildelte årlige budget for afhjælpning af jordskred på få måneder på 1 million dollars. Imidlertid, ifølge Karen Lightman, administrerende direktør for Metro21:Smart Cities Institute, 2018 var ikke en outlier – det er det nye normale.

"Problemet er, at mange områder bliver vådere, " sagde Lightman. "Dette problem vil kun blive værre med tiden."

Pittsburgh er ikke den eneste by, der mærker disse effekter. Tag sagen om Big Sur. I maj 2017, et jordskred begravede en kvart mil strækning af Californiens naturskønne Highway 1 under seks millioner tons jord. Mens ingen kom til skade, jordskredet afskar den eneste nordlige rute ind til Big Sur. Det sker lige før Memorial Day Weekend, at jordskred havde en væsentlig indflydelse på den lokale økonomi.

Fire måneder senere, California Department of Transportation annoncerede en plan om at bygge en erstatningsvej over jordskredet. Efter 54 millioner dollars og 14 måneders byggeri for at genopbygge vejen, en anden del af hovedvej 1 blev lukket af et andet jordskred i marts.

Mertz er ikke fremmed for at finde innovative måder at forudse infrastrukturelt forfald. Ud over sin rolle på Robotics Institute, Mertz er medstifter af RoadBotics, hvor han bruger deep learning-analyse af smartphone-billeder til at identificere udviklende huller og andre vejinfrastrukturproblemer i realtid. Mere end 100 regeringer rundt om i verden bruger nu RoadBotics' belægningsvurderingssystem.

I betragtning af det arbejde han havde udført med RoadBotics, Mertz spekulerede på, om han ikke kunne bruge den samme dybe læringstilgang til at opdage tegn på forestående jordskred, som hurtigt udviklende revner i vejen, deforme rækværk, affald på vejen, deformation af bjergskråninger eller krængende træer.

Anatomi af et jordskred

Mertz lærte tidligt, at overgangen fra huller til jordskred ikke blot var et spørgsmål om vandret versus lodret.

Jordskred har en lang række årsager og, i forlængelse heraf, en lang række medvirkende faktorer. En bakke bestående af rødt ler kollapser anderledes end en bakke lavet af skifer. Det omgivende løvs hældning kunne være en lige så gyldig indikator som udviklingen af ​​selve bjergskråningen, ligesom udbulningen af ​​nærliggende støttemure. Og ikke alle revner og deformationer er lige:Placeringen af ​​en revne i jorden kan radikalt ændre implikationerne af en senere geologisk begivenhed.

Derudover der var faktorer, som billeder af selve bjergskråningen ikke effektivt kunne fange. En revne i vejinfrastrukturen kan være indikatoren for et modkørende jordskred, samt et tilstoppet stormafløb, der omdirigerer vand til en nærliggende bakke.

For at finde mønstre og forudsige resultater, deep learning algoritmer kræver store mængder eksisterende data. Uden at se tusindvis af billeder af vejkryds, dyb læring ville ikke være i stand til at hjælpe et autonomt køretøj med at skelne et stopskilt fra et vigeskilt. Uden sproglige data, det kunne ikke hjælpe Google Translate med det samme at fastslå, at en passage er på spansk og ikke italiensk. I forlængelse heraf for at forstå tendenserne og mønstrene bag regionens jordskred, dyb læring har brug for en betydelig mængde historiske og geologiske data.

Dermed, for at træne sin model og få et mere holistisk billede af et jordskreds anatomi, Mertz var nødt til at gå uden for sin disciplin.

"Det er en meget kompliceret sag, " sagde Mertz. "Du har brug for den form for tværfagligt samarbejde, der er her på Carnegie Mellon University – ikke kun eksperter i datalogi og maskinlæring, men eksperter i geologi, i infrastruktur, i vand og spildevand - for at gå sammen og tackle problemet."

I et partnerskab med Allegheny County, Mertz analyserer fem steder med potentielle jordskred for at vurdere levedygtigheden af ​​hans system.

Ultimativt, Mertz' projekt handler ikke kun om at kunne forudsige og forebygge jordskred. Han har også til hensigt at bruge dette arbejde til mere retfærdigt at styre den infrastrukturelle forandring, der er nødvendig for at understøtte denne form for forudsigelse og forebyggelse.

"Jeg er ikke sikker på, at jordskredsforebyggelse var i folkemunde selv for tre år siden, " sagde Lightman. "Men nu, Jeg hører det oftere i samtaler om fremtidige investeringer i infrastrukturen.«

I sit seneste Infrastructure Report Card, American Society of Civil Engineers gav den amerikanske infrastruktur en samlet D+ karakter. I særdeleshed, flere af de elementer i infrastrukturen, der var centrale for jordskreddannelse, såsom veje, diger og spildevand, også modtaget D-range karakterer.

Imidlertid, de nødvendige ressourcer til at løse disse huller i infrastrukturen er nogle gange ulige fordelt mellem kvarterer, og mange infrastrukturelle beslutninger nedprioriterer ofte behovene i områder med marginaliserede befolkninger.

"Baseret på vores model, der er mange indikatorer for jordskred, der kan hjælpe med at informere om politik og budgettildeling, " sagde Mertz. "Nogle gange, disse beslutninger er påvirket af bias. Men ved at give en objektiv repræsentation af det infrastrukturelle forfald, vi håber at støtte et mere retfærdigt middel til at allokere disse ressourcer."