Katastrofereaktion og afbødning i en AI-verden

Efter de destruktive naturbrande i Californien i 2019, den amerikanske regering sammensatte et Executive Forum for Det Hvide Hus for at udvikle bedre måder at beskytte nationen og nøgleinfrastrukturen på, såsom elnettet, fra naturbrande og andre katastrofer. Alene i 2020 mere end 10,3 millioner acres brændte over hele USA, et niveau tre gange højere end gennemsnittet for 1990-2000 10 år. Mellem omkostninger til brandbekæmpelse, direkte og indirekte omkostninger, skovbrande i 2020 kostede USA op mod 170 milliarder dollars. Tilføj i oversvømmelser, orkaner, og andre naturkatastrofer, og antallet af katastrofer på amerikanernes levebrød er astronomisk.

Andre Coleman og hans team af forskere ved Pacific Northwest National Laboratory (PNNL) er en del af First Five Consortium, en regeringsgruppe, industri, og akademiske eksperter forpligtet sig til at mindske virkningen af ​​naturkatastrofer ved hjælp af teknologi. Coleman og team udvider PNNLs operationelle Rapid Analytics for Disaster Response (RADR) billedanalyse- og modelleringspakke for at afbøde skader på vigtig energiinfrastruktur. Brug af en kombination af billedoptagelsesteknologi (satellit, luftbårne, og dronebilleder), kunstig intelligens (AI), og cloud computing, Coleman og holdet arbejder på ikke kun at vurdere skaden, men også forudsige den.

Forudsiger præcist bevægelsen af ​​naturkatastrofer - naturbrande, oversvømmelser, orkaner, vindstorme, tornadoer, og jordskælv – giver førstehjælpere et hop, giver dem mulighed for at træffe foranstaltninger til at reducere skader, udføre avanceret ressourceplanlægning, og øge restaureringstiden for infrastrukturen. For eksempel, hvis en brand rammer en elektrisk transformerstation eller anden netinfrastruktur, et helt samfund – hjem, virksomheder, og skoler - ville opleve en strømafbrydelse, der kunne tage dage at genoprette.

"Dette er en spændende og rettidig indsats for at anvende kunstig intelligens for at reducere virkningen af ​​naturbrande, beskytte energiinfrastruktur, og i sidste ende redde liv, " sagde Pamela Isom, fungerende direktør for U.S. Department of Energy (DOE) Artificial Intelligence and Technology Office. "Arbejdet har potentiale til at gøre en forskel i, hvad vi forventer bliver en meget udfordrende naturbrandsæson. Dette har været et meget produktivt samarbejde mellem flere partnere, herunder vores kolleger ved Forsvarsministeriets Joint Artificial Intelligence Center, Department of Homeland Security, og hos PNNL."

Siden 2014 har Coleman og team har arbejdet med disse teknologier. Projektet startede oprindeligt med oprettelsen af ​​en forandringsdetektionsalgoritme, som analyserer forskellige typer satellitbilleder og bestemmer, hvad der ændrede sig i landskabet efter en storm. Myndigheder bruger værktøjet til hurtigt at vurdere den fysiske skadevirkning af naturkatastrofer, ofte før jordholdene kan komme ind. Den første iteration af værktøjet blev brugt i orkansæsonen 2016 til at evaluere orkanskader og afgøre, om energiinfrastruktur—elektrisk net, petroleum, og gasanlæg - var beskadiget eller i fare.

Samlet set, RADR analytiske produkter giver værdi, men Coleman og teamet anerkender muligheder for at udvide funktionaliteten af ​​værktøjerne og søger at forbedre RADR-svartiden, skadesvurdering, sigtbarhed, forudsigelsesevne, og datatilgængelighed.

For at forbedre aktualitet og vurderinger på jordniveau, holdet inkorporerede nye og anderledes billedkilder. RADR kan trække billeder ind fra en række satellitter med forskellige sansefunktioner, herunder indenlandske og internationale regeringssatellitter, der tilbydes som åbne data, samt kommercielle satellitter, der er tilgængelige via det internationale katastrofecharter. At have flere kilder til overhead -billedsprog forbedrer responstiden til blot et par timer, idet nøglebegrænsningen er latens for overhead -billeder, eller tiden mellem billeder bliver indsamlet og tilgængelige for analyse. Når billederne er modtaget, RADR-softwaren kan generere en analyse på lidt over 10 minutter.

At kigge gennem skovbrandsrøg og skydække, teamet tilføjede infrarøde billeder til RADR. Den nye kapacitet giver et klarere overblik over landskabet, der tidligere ikke var tilgængeligt, at give respondere information såsom beskadigelse af nøgleinfrastruktur eller et sikkert sted for at etablere nødhjælpsindsats, som respondere måske ellers ikke har været fortrolige med.

Holdet integrerer også offentligt tilgængelige og crowdsourcede billeder fra sociale medier. Ofte i en katastrofe, sociale medier som Twitter, Flickr, og Instagram tilbyder et væld af realtidsdata, når brugere poster billeder af, hvad der foregår omkring dem. Ved at parre overheadbilleder med billeder på jorden, holdet kan give en mere fuldstændig vurdering. Satellitbilleder, for eksempel, kan vise skade på en generationsressource, elledninger, eller elnettet; imidlertid, jordbilleder kan indikere andet. Værktøjet tager alle disse billeder, fjerner de overflødige, og syr billederne sammen for at give et mere præcist billede af skiftende forhold.

Som med enhver beregningsmodel, det er kun så godt som dataene. De tilføjede billedkilder giver yderligere data, som RADR kan fortolke, forbedre nøjagtigheden. For at forudsige mulige udfald af en naturbrand, holdet kombinerer billedanalysen med vejret, brændstof, og prognosedata. For eksempel, vind, vegetation, og alt, hvad en brand kan forbruge alle faktorer i størrelsen på en brand og den retning, den tager. Ved at kombinere billeder med brændstofdata og skovbrandsmodeller, holdet håber at være i stand til præcist at forudsige, hvilken vej en brand tager.

Selvfølgelig, vurderingerne skal komme i de rigtige hænder. Koordinering af et svar kræver lokal, regional, og nationale ressourcer, hver på forskellige steder, men har brug for dataene så hurtigt som muligt i et format, der let kan tilgås og fortolkes, især i et miljø med begrænset datakommunikation. Et skybaseret system giver en end-to-end pipeline til at hente tilgængelige billeder, bearbejdning af analyser, og formidling af data, der skal bruges direkte i en brugers egen software, gennem desktop-webbrowsere, og/eller via mobilapplikationer. Tilføjet visuel analyse producerer billeder og datasæt, der let kan skelnes for et bredt publikum af respondenter.

De seneste år har medført en stigning i hyppigheden og sværhedsgraden af ​​naturbrande, oversvømmelser, og andre ekstreme vejrbegivenheder. Coleman og team håber, at i det mindste de tilføjede muligheder i RADR vil give respondenter information, der kan bruges til at træffe informerede beslutninger, reducere eller planlægge skader på vigtig energiinfrastruktur, planlægge nødhjælpsindsatser, og redde liv.