Maskinlæringsmodel fordobler nøjagtigheden af ​​globale jordskred nucasts

Hvert år, jordskred - bevægelsen af ​​sten, jord, og affald ned ad en skråning - forårsager tusindvis af dødsfald, milliarder af dollars i skader, og forstyrrelser på veje og elledninger. Fordi terræn, egenskaber ved sten og jord, vejr, og klima bidrager alle til jordskredaktivitet, Det kan være en udfordring at præcist udpege områder, der er mest udsat for disse farer på et givet tidspunkt. Tidlige varslingssystemer er generelt regionale – baseret på regionsspecifikke data leveret af jordsensorer, feltobservationer, og nedbør i alt. Men hvad nu hvis vi til enhver tid kunne identificere risikoområder hvor som helst i verden?

Gå ind i NASAs Global Landslide Hazard Assessment (LHASA) model og kortlægningsværktøj.

LHASA version 2, udgivet i sidste måned sammen med tilsvarende forskning, er en maskinlæringsbaseret model, der analyserer en samling af individuelle variabler og satellit-afledte datasæt for at producere "nowcasts", der kan tilpasses. Disse rettidige og målrettede nowcasts er estimater af potentiel jordskredaktivitet i næsten realtid for hvert 1 kvadratkilometer område mellem polerne. Modelfaktorerne i jordens hældning (højere skråninger er mere tilbøjelige til jordskred), afstand til geologiske fejl, sammensætningen af ​​rock, tidligere og nuværende nedbør, og satellit-afledte jordfugtighed og snemassedata.

"Modellen behandler alle disse data og udsender et sandsynligt estimat af jordskredfare i form af et interaktivt kort, " sagde Thomas Stanley, Universities Space Research Association videnskabsmand ved NASAs Goddard Space Flight Center i Greenbelt, Maryland, der ledede forskningen. "Dette er værdifuldt, fordi det giver en relativ skala af jordskredfare, frem for blot at sige, at der er eller ikke er jordskredrisiko. Brugere kan definere deres interesseområde og justere kategorierne og sandsynlighedstærsklen, så de passer til deres behov."

For at "lære" modellen, forskere indtaster en tabel med alle de relevante skredvariabler og mange steder, der tidligere har registreret jordskred. Maskinlæringsalgoritmen tager bordet og tester forskellige mulige scenarier og resultater, og når den finder den, der passer bedst til dataene, det udsender et beslutningstræ. Den identificerer derefter fejlene i beslutningstræet og beregner et andet træ, der retter disse fejl. Denne proces fortsætter, indtil modellen har "lært" og forbedret 300 gange.

"Resultatet er, at denne version af modellen er omtrent dobbelt så nøjagtig som den første version af modellen, gør det til det mest nøjagtige globale nowcasting-værktøj til rådighed, " sagde Stanley. "Mens nøjagtigheden er højest - ofte 100% - for større jordskredbegivenheder udløst af tropiske cykloner, det forbedrede sig markant på tværs af alle lagre."

Version 1, udgivet i 2018, var ikke en maskinlæringsmodel. Den kombinerede satellitnedbørsdata med et globalt jordskredsfølsomhedskort for at producere sine nuudsendelser. Den lavede sine forudsigelser ved at bruge ét beslutningstræ, der stort set var baseret på nedbørsdata fra den foregående uge og kategoriserede hver gittercelle som lav, moderat, eller høj risiko.

"I denne nye version, vi har 300 træer med bedre og bedre information sammenlignet med den første version, som var baseret på kun ét beslutningstræ, " sagde Stanley. "Version 2 inkorporerer også flere variabler end sin forgænger, inklusive jordfugtighed og snemassedata."

Generelt sagt, jorden kan kun absorbere så meget vand, før den bliver mættet, og kombineret med andre forhold, udgør en risiko for jordskred. Ved at inkorporere jordfugtighedsdata, modellen kan skelne, hvor meget vand der allerede er til stede i jorden, og hvor meget yderligere nedbør ville skubbe det forbi denne tærskel. Ligeledes, hvis modellen kender mængden af ​​sne i et givet område, det kan medvirke til, at det ekstra vand kommer ind i jorden, når sneen smelter. Disse data kommer fra Soil Moisture Active Passive (SMAP) satellitten, som administreres af NASAs Jet Propulsion Laboratory i det sydlige Californien. Den blev lanceret i 2015 og giver kontinuerlig jordfugtighedsdækning.

LHASA Version 2 tilføjer også en ny eksponeringsfunktion, der analyserer fordelingen af ​​veje og befolkning i hver netcelle for at beregne antallet af mennesker eller infrastruktur, der er udsat for jordskredfare. Eksponeringsdataene kan downloades og er blevet integreret i det interaktive kort. Tilføjelse af denne type information om udsatte veje og befolkninger, der er sårbare over for jordskred, hjælper med at forbedre situationsbevidstheden og handlinger fra interessenter fra internationale organisationer til lokale embedsmænd.

Bygger på mange års forskning og applikationer, LHASA Version 2 blev testet af NASA Disasters-programmet og interessenter i virkelige situationer før dens formelle udgivelse. I november 2020, da orkanerne Eta og Iota ramte Mellemamerika inden for en periode på to uger, forskere, der arbejder med NASA's Earth Applied Sciences Disasters-program, brugte LHASA Version 2 til at generere kort over forudsagt jordskredfare for Guatemala og Honduras. Forskerne overlejrede modellen med befolkningsdata på distriktsniveau, så de bedre kunne vurdere nærheden mellem potentielle farer og tætbefolkede samfund. Katastrofeprogramkoordinatorer delte oplysningerne med nationale og internationale beredskabsorganisationer for at give bedre indsigt i farerne for personale på jorden.

Selvom det er et nyttigt værktøj til planlægning og risikobegrænsning, Stanley siger, at modellen er beregnet til at blive brugt med et globalt perspektiv i tankerne snarere end som et lokalt nødvarslingssystem for et bestemt område. Imidlertid, fremtidig forskning kan udvide dette mål.

"Vi arbejder på at inkorporere en nedbørsprognose i LHASA Version 2, og vi håber, at det vil give yderligere information til avanceret planlægning og handlinger forud for større nedbørshændelser, " sagde Stanley. En udfordring, Stanley bemærker, opnår et tilstrækkeligt langt arkiv af forudsagte nedbørsdata, som modellen kan lære af.

I mellemtiden, regeringer, nødhjælpsorganisationer, beredskabspersonale, og andre interessenter (såvel som offentligheden) har adgang til et kraftfuldt risikovurderingsværktøj i LHASA version 2.