科技防災:預測自然災害的人工智能新技術

山火 Image copyright Getty Images

這是加州的死亡之夜,天空被山林野火照亮。噼裏啪啦的燃燒聲伴著陣陣熱浪穿過森林,所到之處寸草不留。由於空氣乾燥、風力強勁、燃燒物未被阻斷,綿延不絶,火勢不受控制,蔓延得極快。

這個恐怖故事發生在去年,加州經受了有史以來最致命的山林野火。共有8,527場大火,燒過了189萬多英畝的土地。大火去年11月席捲加州天堂市(Paradise),造成86人喪生。

但這種情況並不只局限於一個州或是一個國家。2018年遭遇野火的還有希臘的海灘、澳洲的灌木叢、英國,甚至北極地區。這是一個全球性問題。

這些火災與氣候變化的徵兆相關:土壤乾旱、氣溫升高、風場類型的變化、大氣濕度低。有了這些信息,我們預計未來會發生更多山林野火。

但一個特殊領域的進展,有助於解決這個問題。

控制森林火災,人們需對森林有詳細了解、知道如何管理它們,這原本只有個別專家可以做到,而如今人工智能大有助益。

Image copyright Getty Images
Image caption 在正確的地點製造防火隔離區,把不同區域的森林隔開,有助於減少山火的蔓延(Credit:Getty Images)

SilviaTerra是一家位於舊金山的公司。該公司運用人工智能進行森林測繪,為規劃人員提供資源,幫助降低火災風險。

SilviaTerra的首席生物統計學家龐德(Nan Pond)的團隊將衛星數據和空中影像、激光掃描技術結合,用於測量植被的生長情況。她說:「我們將在森林中完成的地面測繪與大量的遙感信息和地形數據相結合。我們的算法程序可在很大範圍內對樹木的大小和種類進行精確估計。」

目前,該團隊正在測繪美國的每一片森林,合計3.055億英畝,最小分辨率為15平方米。一旦地圖繪製完成,機器學習算法就會幫助當局找出火災風險最高的區域。

風險評估會考慮每個地區樹木的密度、種類和大小。松樹類樹木就比其他樹木(如楓木)更易燃。其中的差別由多種因素構成,包括樹皮內油脂含量、葉子的形狀以及葉子的密度。

此前,森林資源清查包括對森林隨機取樣,將它們反映在地面測繪中,然後按比例估算整個森林的資源。現在有了SilviaTerra的成果後,森林資源清查變得更加精確。

該公司分析了加州天堂市周圍的地區,繪製出不同火災風險等級的地圖。風險最高的區域在地圖中用紅色標出。在那裏,當局需要預先採取干預措施,設置防火屏障或砍伐樹木。

Image copyright SilviaTerra
Image caption 測繪出加州天堂市火災風險最高的區域,並用紅色標出,有助於當局採取預防措施阻止火災蔓延(Credit: SilviaTerra)

這是一項複雜的工作。這些算法必須要平衡許多看似矛盾的優先事項。

龐德表示:「森林管理人員正努力應對火災帶來的影響,同時也在平衡許多其他森林資源。」森林是許多動物的家園,也是清潔的水源,人們休閒的好去處;它還可以減少土壤流失,吸取大氣中的二氧化碳。

此方法並非只可用於應對火災。極強降雨、土地開發、排水,以及現有河湖水系容量等多種因素也共同決定水災發生的概率。雖然大多數洪水預測模型試圖捕捉所有變量、提供洪水預警,但它們往往比較粗略。美國猶他州(Utah)楊百翰大學(Brigham Young University)的蘇弗朗特(Michael Souffront)正在改進全球洪災預警系統(Global Flood Awareness System),運用人工智能將尚未收錄的小型河流、支流信息囊括到模型內。

Image copyright Getty Images
Image caption 倫敦泰晤士河防洪閘(London's Thames Barrier)等大型防洪設施用於預防大型河流的洪澇災害,但我們也需要了解小型河流的風險概況(Credit:Getty Images)

較小的河流和水道通常是溢流開始之處,因此是防洪關鍵。蘇弗朗特創建了一個在線應用程序,顯示不同時間各河流的洪水預警情況,為當地政府提供了前所未有的詳細信息,而且近乎實時。這些更為詳細的信息可保護城鎮免受洪災。

2015年12月,英格蘭北部的利茲市(Leeds)遭受了有史以來最大的洪災。為了應對洪水,政府與建築公司Bam Nuttall簽訂合同,由後者建造防洪體。該公司聘請了科技初創公司SenSat用虛擬方式複製了12公里長艾爾河(Aire)的洪道。

SenSat首席執行官迪恩(James Dean)表示:「虛擬洪道可讓計算機運用大量的變量分析河流、地形、洪災風險,遠遠超出人類能力所及。」

無人機在距離地面80米空中沿著河谷飛行,拍攝照片,每2.5厘米就進行一次測量,總共收集了超過6億數據點,用於對河流及洪泛平原進行數字重構。隨後,人工智能算法被用於解讀數據。

Image copyright SenSat
Image caption 數字仿真城鎮內的河流和溪流,可更凖確地預測可能發生洪災的時間和地點(Credit:SenSat)

迪恩說:「為了做到這件事,我們建了一個所謂的彈性空間指數算法,讓人工智能在三維重構的環境中將物體識別為單獨的項目。這可以讓決策更好,更高效地利用公共資金保護脆弱的地區、減輕洪水造成的傷害。」

這樣制出的地圖幫助Bam Nuttall公司了解需要做什麼樣的建築工程來減少地區的洪澇災害。建築工作將在今年夏天完工。

但有些自然災害是無法避免的。眾所周知,地震、火山爆發、海嘯都無法預測或控制。這些災難常常即刻就奪走許多生命,災後餘波和救援隊的應對措施對受災者的存活率有著重大的影響。

日本仙台(Sendai)東北大學(Tohoku University)的一個團隊正在研究如何在海嘯、火山、地震後更有效地尋找並救出倖存者。

2011年3月,日本發生強烈地震。這是史上第四大的地震,整個本州島(Honshu)移動了2.4米,地球軸心移動了約17厘米。此次地震震中距離日本海岸130公里,引發的海嘯摧毀了日本東部沿海的大部分地區,並引發令人擔憂的福島核電站洩露事故。東北地區(Tohoku)是受災最嚴重的地區之一。這次海嘯中,總計近2萬人喪生,至今仍有2000人下落不明。

Image copyright Getty Images
Image caption 確定災後最需要救助的區域,救援人員可以拯救更多人的生命(Credit:Getty Images)

7年前,印度洋一場地震引發的海嘯席捲了14個亞非國家。據估計,共有23萬人喪生,而且由於缺乏溝通,實際受災情況可能更加嚴重。這場海嘯先襲擊了印度尼西亞,隨後是泰國、緬甸和斯里蘭卡,幾個小時後,到達非洲東海岸。由於當時缺乏預警系統,那些海嘯影響地區的人們幾乎不知道將要發生的災難。搜救人員也很難確定最需要救援的區域,因為通信網絡遭到破壞,整個地區失聯。

日本東北大學的白琰冰(Yanbing Bai)表示,他的研究有望在未來解決這些問題。他在開發一款使用人工智能確定受災區域、將地面受災程度分類、向政府和救援人員發出警報告知最需要救援的地區的工具。

他們用機器學習算法處理災區的衛星圖像。這些機器學習算法經過訓練、可以將建築按照損毀程度和穩定性進行分類。該算法可以分辨不同類型的建築:完全損毀的,損毀一半但可以修復的,以及微微受損或未受損的。

微軟地球人工智能項目(AI for Earth)為白琰冰的研究提供資金,其首席環境官喬帕(Lucas Joppa)表示:「這些信息發送給第一批救援者,讓他們進入災區後獲得拯救生命、保障自身安全的實時信息。」這一系統可以告訴搜救人員受災最嚴重的地區是哪裏,應該專注搜救哪一區域的倖存人員。

機器學習技術不但有助協調救災工作,而且能參與到搜救工作中去。

在這些情況下,搜救方案可能由機器人執行。美國匹茲堡卡耐基梅隆大學(Carnegie Mellon University)高級代理機器人實驗室主管塞卡拉(Katia Sycara)正在開發大批可以進入災區、自主搜尋倖存者的機器人。這些機器人將使用人工智能的機器視覺分析所見場景、作出決策。

Image copyright Getty Images
Image caption 有時,餘震造成的死亡人數可能比最初地震時的還要多,例如2011年新西蘭基督城(Christchurch)地震(Credit:Getty Images)

「可以讓機器人前往人們無法到達、或者對人類而言危險的區域,尋找受災人員。」塞卡拉說道。福島核電站的融毀就是一個例子。快速上升的輻射水平使得這一區域變得危險,不適合救災人員進入。

塞卡拉表示,要應對無法預知掉落的路障,而且要在未知的環境裏自如移動,這是機器人面對的最大挑戰。

有一些研究人員相信,人工智能本身也可以提供自然災害的早期預警。

眾所周知,要預報地震、火山爆發之類的災害極其困難,但研究人員正在竭盡所能地預測餘震。餘震的後果一樣嚴重。2010年9月,新西蘭基督城發生了7.1級大地震,造成大範圍的損毀,但沒有造成任何傷亡。然而5個月後的小型餘震造成185人喪生。

去年哈佛大學團隊開展一項研究,將包括日本2011年大地震在內的數十萬地震數據輸入一個神經網絡。地震災區按照5乘5公里的區塊劃分,每一區塊作為一個獨立的區域,預測餘震的可能性,這比此前的任何方法都要成功。

Image copyright Getty Images
Image caption 雖然大部分自然災害無法預測,但社區收到越多預警,就意味著有越多時間疏散居民,拯救生命(Credit:Getty Image)

要預測自然災害並做好應對凖備,最大的困難是缺乏足夠的凖確數據。案例不足,因此訓練機器學習算法所需的實際數據仍然非常匱乏。這是因為,政府應對危機,通常並不把衛星和航空勘察當作首要事項。

自然災害還有大量的變量。舉個例子,許多因素可將小型龍捲風的強度增至EF5級(最高級別)——風速可達每小時200英里,足以將車輛從地面捲起,也可將簡單的火山噴發變為海嘯。

喬帕表示:「但好消息是,漸進式的成果也能產生級數增長的影響力,這是為什麼我們專注這項研究。多幾個小時疏散一片區域、調配資源預防洪災,每分每秒都意味著生存機率的增加。」

請訪問 BBC Future 閲讀 英文原文

相關主題內容

更多有關此項報導的內容