科技防灾:预测自然灾害的人工智能新技术

山火 Image copyright Getty Images

这是加州的死亡之夜,天空被山林野火照亮。噼里啪啦的燃烧声伴着阵阵热浪穿过森林,所到之处寸草不留。由于空气干燥、风力强劲、燃烧物未被阻断,绵延不绝,火势不受控制,蔓延得极快。

这个恐怖故事发生在去年,加州经受了有史以来最致命的山林野火。共有8,527场大火,烧过了189万多英亩的土地。大火去年11月席卷加州天堂市(Paradise),造成86人丧生。

但这种情况并不只局限于一个州或是一个国家。2018年遭遇野火的还有希腊的海滩、澳洲的灌木丛、英国,甚至北极地区。这是一个全球性问题。

这些火灾与气候变化的征兆相关:土壤干旱、气温升高、风场类型的变化、大气湿度低。有了这些信息,我们预计未来会发生更多山林野火。

但一个特殊领域的进展,有助于解决这个问题。

控制森林火灾,人们需对森林有详细了解、知道如何管理它们,这原本只有个别专家可以做到,而如今人工智能大有助益。

Image copyright Getty Images
Image caption 在正确的地点制造防火隔离区,把不同区域的森林隔开,有助于减少山火的蔓延(Credit:Getty Images)

SilviaTerra是一家位于旧金山的公司。该公司运用人工智能进行森林测绘,为规划人员提供资源,帮助降低火灾风险。

SilviaTerra的首席生物统计学家庞德(Nan Pond)的团队将卫星数据和空中影像、激光扫描技术结合,用于测量植被的生长情况。她说:“我们将在森林中完成的地面测绘与大量的遥感信息和地形数据相结合。我们的算法程序可在很大范围内对树木的大小和种类进行精确估计。”

目前,该团队正在测绘美国的每一片森林,合计3.055亿英亩,最小分辨率为15平方米。一旦地图绘制完成,机器学习算法就会帮助当局找出火灾风险最高的区域。

风险评估会考虑每个地区树木的密度、种类和大小。松树类树木就比其他树木(如枫木)更易燃。其中的差别由多种因素构成,包括树皮内油脂含量、叶子的形状以及叶子的密度。

此前,森林资源清查包括对森林随机取样,将它们反映在地面测绘中,然后按比例估算整个森林的资源。现在有了SilviaTerra的成果后,森林资源清查变得更加精确。

该公司分析了加州天堂市周围的地区,绘制出不同火灾风险等级的地图。风险最高的区域在地图中用红色标出。在那里,当局需要预先采取干预措施,设置防火屏障或砍伐树木。

Image copyright SilviaTerra
Image caption 测绘出加州天堂市火灾风险最高的区域,并用红色标出,有助于当局采取预防措施阻止火灾蔓延(Credit: SilviaTerra)

这是一项复杂的工作。这些算法必须要平衡许多看似矛盾的优先事项。

庞德表示:“森林管理人员正努力应对火灾带来的影响,同时也在平衡许多其他森林资源。”森林是许多动物的家园,也是清洁的水源,人们休闲的好去处;它还可以减少土壤流失,吸取大气中的二氧化碳。

此方法并非只可用于应对火灾。极强降雨、土地开发、排水,以及现有河湖水系容量等多种因素也共同决定水灾发生的概率。虽然大多数洪水预测模型试图捕捉所有变量、提供洪水预警,但它们往往比较粗略。美国犹他州(Utah)杨百翰大学(Brigham Young University)的苏弗朗特(Michael Souffront)正在改进全球洪灾预警系统(Global Flood Awareness System),运用人工智能将尚未收录的小型河流、支流信息囊括到模型内。

Image copyright Getty Images
Image caption 伦敦泰晤士河防洪闸(London's Thames Barrier)等大型防洪设施用于预防大型河流的洪涝灾害,但我们也需要了解小型河流的风险概况(Credit:Getty Images)

较小的河流和水道通常是溢流开始之处,因此是防洪关键。苏弗朗特创建了一个在线应用程序,显示不同时间各河流的洪水预警情况,为当地政府提供了前所未有的详细信息,而且近乎实时。这些更为详细的信息可保护城镇免受洪灾。

2015年12月,英格兰北部的利兹市(Leeds)遭受了有史以来最大的洪灾。为了应对洪水,政府与建筑公司Bam Nuttall签订合同,由后者建造防洪体。该公司聘请了科技初创公司SenSat用虚拟方式复制了12公里长艾尔河(Aire)的洪道。

SenSat首席执行官迪恩(James Dean)表示:“虚拟洪道可让计算机运用大量的变量分析河流、地形、洪灾风险,远远超出人类能力所及。”

无人机在距离地面80米空中沿着河谷飞行,拍摄照片,每2.5厘米就进行一次测量,总共收集了超过6亿数据点,用于对河流及洪泛平原进行数字重构。随后,人工智能算法被用于解读数据。

Image copyright SenSat
Image caption 数字仿真城镇内的河流和溪流,可更准确地预测可能发生洪灾的时间和地点(Credit:SenSat)

迪恩说:“为了做到这件事,我们建了一个所谓的弹性空间指数算法,让人工智能在三维重构的环境中将物体识别为单独的项目。这可以让决策更好,更高效地利用公共资金保护脆弱的地区、减轻洪水造成的伤害。”

这样制出的地图帮助Bam Nuttall公司了解需要做什么样的建筑工程来减少地区的洪涝灾害。建筑工作将在今年夏天完工。

但有些自然灾害是无法避免的。众所周知,地震、火山爆发、海啸都无法预测或控制。这些灾难常常即刻就夺走许多生命,灾后余波和救援队的应对措施对受灾者的存活率有着重大的影响。

日本仙台(Sendai)东北大学(Tohoku University)的一个团队正在研究如何在海啸、火山、地震后更有效地寻找并救出幸存者。

2011年3月,日本发生强烈地震。这是史上第四大的地震,整个本州岛(Honshu)移动了2.4米,地球轴心移动了约17厘米。此次地震震中距离日本海岸130公里,引发的海啸摧毁了日本东部沿海的大部分地区,并引发令人担忧的福岛核电站泄露事故。东北地区(Tohoku)是受灾最严重的地区之一。这次海啸中,总计近2万人丧生,至今仍有2000人下落不明。

Image copyright Getty Images
Image caption 确定灾后最需要救助的区域,救援人员可以拯救更多人的生命(Credit:Getty Images)

7年前,印度洋一场地震引发的海啸席卷了14个亚非国家。据估计,共有23万人丧生,而且由于缺乏沟通,实际受灾情况可能更加严重。这场海啸先袭击了印度尼西亚,随后是泰国、缅甸和斯里兰卡,几个小时后,到达非洲东海岸。由于当时缺乏预警系统,那些海啸影响地区的人们几乎不知道将要发生的灾难。搜救人员也很难确定最需要救援的区域,因为通信网络遭到破坏,整个地区失联。

日本东北大学的白琰冰(Yanbing Bai)表示,他的研究有望在未来解决这些问题。他在开发一款使用人工智能确定受灾区域、将地面受灾程度分类、向政府和救援人员发出警报告知最需要救援的地区的工具。

他们用机器学习算法处理灾区的卫星图像。这些机器学习算法经过训练、可以将建筑按照损毁程度和稳定性进行分类。该算法可以分辨不同类型的建筑:完全损毁的,损毁一半但可以修复的,以及微微受损或未受损的。

微软地球人工智能项目(AI for Earth)为白琰冰的研究提供资金,其首席环境官乔帕(Lucas Joppa)表示:“这些信息发送给第一批救援者,让他们进入灾区后获得拯救生命、保障自身安全的实时信息。”这一系统可以告诉搜救人员受灾最严重的地区是哪里,应该专注搜救哪一区域的幸存人员。

机器学习技术不但有助协调救灾工作,而且能参与到搜救工作中去。

在这些情况下,搜救方案可能由机器人执行。美国匹兹堡卡耐基梅隆大学(Carnegie Mellon University)高级代理机器人实验室主管塞卡拉(Katia Sycara)正在开发大批可以进入灾区、自主搜寻幸存者的机器人。这些机器人将使用人工智能的机器视觉分析所见场景、作出决策。

Image copyright Getty Images
Image caption 有时,余震造成的死亡人数可能比最初地震时的还要多,例如2011年新西兰基督城(Christchurch)地震(Credit:Getty Images)

“可以让机器人前往人们无法到达、或者对人类而言危险的区域,寻找受灾人员。”塞卡拉说道。福岛核电站的融毁就是一个例子。快速上升的辐射水平使得这一区域变得危险,不适合救灾人员进入。

塞卡拉表示,要应对无法预知掉落的路障,而且要在未知的环境里自如移动,这是机器人面对的最大挑战。

有一些研究人员相信,人工智能本身也可以提供自然灾害的早期预警。

众所周知,要预报地震、火山爆发之类的灾害极其困难,但研究人员正在竭尽所能地预测余震。余震的后果一样严重。2010年9月,新西兰基督城发生了7.1级大地震,造成大范围的损毁,但没有造成任何伤亡。然而5个月后的小型余震造成185人丧生。

去年哈佛大学团队开展一项研究,将包括日本2011年大地震在内的数十万地震数据输入一个神经网络。地震灾区按照5乘5公里的区块划分,每一区块作为一个独立的区域,预测余震的可能性,这比此前的任何方法都要成功。

Image copyright Getty Images
Image caption 虽然大部分自然灾害无法预测,但社区收到越多预警,就意味着有越多时间疏散居民,拯救生命(Credit:Getty Image)

要预测自然灾害并做好应对准备,最大的困难是缺乏足够的准确数据。案例不足,因此训练机器学习算法所需的实际数据仍然非常匮乏。这是因为,政府应对危机,通常并不把卫星和航空勘察当作首要事项。

自然灾害还有大量的变量。举个例子,许多因素可将小型龙卷风的强度增至EF5级(最高级别)——风速可达每小时200英里,足以将车辆从地面卷起,也可将简单的火山喷发变为海啸。

乔帕表示:“但好消息是,渐进式的成果也能产生级数增长的影响力,这是为什么我们专注这项研究。多几个小时疏散一片区域、调配资源预防洪灾,每分每秒都意味着生存机率的增加。”

请访问 BBC Future 阅读 英文原文

相关主题内容

更多有关此项报道的内容