Brug af maskinlæring til at hjælpe med at overvåge klima-inducerede farer

Brug af maskinlæring til at hjælpe med at overvåge klima-inducerede farer

Tidsstempel: 13. januar 2023 kl. 3
Kildeknude: 1893836
13. januar 2023 (Nanowerk nyheder) Kombination af satellitteknologi med maskinlæring kan give forskere mulighed for bedre at spore og forberede sig på klima-inducerede naturlige farer, ifølge forskning, der blev præsenteret i sidste måned på det årlige møde i American Geophysical Union. I løbet af de sidste par årtier har stigende globale temperaturer fået mange naturfænomener som orkaner, snestorme, oversvømmelser og naturbrande til at vokse i intensitet og hyppighed. Mens mennesker ikke kan forhindre disse katastrofer i at opstå, giver det hurtigt stigende antal satellitter, der kredser om Jorden fra rummet, en større mulighed for at overvåge deres udvikling, sagde CK Shum, medforfatter af undersøgelsen og professor ved Byrd Polar Research Center og i geovidenskab på Ohio State University. Han sagde, at potentielt at tillade folk i området at træffe informerede beslutninger kunne forbedre effektiviteten af ​​lokal katastrofeberedskab og -håndtering.  orkanen går i land over Den Mexicanske Golf Forskere brugte maskinlæring til at studere orkaner, der kom i land over Den Mexicanske Golf - men der er behov for flere data for at hjælpe med at forbedre satellitvejrovervågning. (Billede: Getty Images) "At forudsige fremtiden er en temmelig vanskelig opgave, men ved at bruge fjernmåling og maskinlæring sigter vores forskning på at hjælpe med at skabe et system, der vil være i stand til at overvåge disse klima-inducerede farer på en måde, der muliggør en rettidig og informeret katastroferespons,” sagde Shum. Shums forskning bruger geodæsi - videnskaben om at måle planetens størrelse, form og orientering i rummet - til at studere fænomener relateret til globale klimaændringer. Ved hjælp af geodætiske data indsamlet fra forskellige rumagentursatellitter gennemførte forskere adskillige casestudier for at teste, om en blanding af fjernmåling og dyb maskinlæringsanalyse kunne overvåge pludselige vejrepisoder, herunder oversvømmelser, tørke og stormfloder i nogle områder af verden. I et eksperiment brugte holdet disse metoder til at bestemme, om radarsignaler fra Jordens Global Navigation Satellite System (GNSS), som blev reflekteret over havet og modtaget af GNSS-modtagere placeret ved byer offshore i Den Mexicanske Golf, kunne bruges til at spore orkanudvikling ved at måle stigende havniveauer efter landfald. Mellem 2020 og 2021 undersøgte holdet, hvordan syv storme, såsom orkanen Hana og orkandeltaet, påvirkede kystnære havniveauer, før de gik i land i Den Mexicanske Golf. Ved at overvåge disse komplekse ændringer fandt de en positiv sammenhæng mellem højere havniveauer og hvor intense stormflodene var. De data, de brugte, blev indsamlet af NASA og det tyske luftrumscenters Gravity Recovery And Climate Experiment (GRACE) mission og dens efterfølger, GRACE Follow-On. Begge satellitter er blevet brugt til at overvåge ændringer i Jordens masse i løbet af de sidste to årtier, men har indtil videre kun været i stand til at se planeten fra lidt mere end 400 miles op. Men ved at bruge dyb maskinlæringsanalyse var Shums team i stand til at reducere denne opløsning til omkring 15 miles, hvilket effektivt forbedrede samfundets evne til at overvåge naturlige farer. "At drage fordel af dyb maskinlæring betyder at skulle betinge algoritmen til løbende at lære af forskellige datainput for at nå det mål, du ønsker at opnå," sagde Shum. I dette tilfælde gjorde satellitter det muligt for forskere at kvantificere stien og udviklingen af ​​to kategori 4-atlantiske orkan-inducerede stormfloder under deres landfald over henholdsvis Texas og Louisiana, orkanen Harvey i august 2017 og orkanen Laura i august 2020. Nøjagtige målinger af disse naturlige farer kunne en dag hjælpe med at forbedre orkanprognoser, sagde Shum. Men på kort sigt vil Shum gerne se lande og organisationer gøre deres satellitdata lettere tilgængelige for videnskabsmænd, da projekter, der er afhængige af dyb maskinlæring, ofte har brug for store mængder vidtrækkende data for at hjælpe med at lave nøjagtige prognoser. "Mange af disse nye satellitteknikker kræver tid og kræfter til at behandle enorme mængder nøjagtige data," sagde Shum.
  • black box AI: systemer, hvor brugeren ikke har nogen information om algoritmen ud over input og output
  • upålidelig AI: systemer, der er blevet dårligt testet (såsom i det tidligere nævnte militærblokadeeksempel).
    • Og du behøver ikke at være ekspert i kunstig intelligens for at have et syn på LOVE. Vær opmærksom på nye militære AI-udviklinger. Når du læser eller hører om AI, der bruges i kamp, ​​så spørg dig selv: er det berettiget? Bevarer det civilt liv? Hvis ikke, så kontakt de samfund, der arbejder på at kontrollere disse systemer. Sammen har vi en chance for at forhindre AI i at gøre mere skade end gavn.

    Tidsstempel:

    Mere fra Nanoværk