• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  science >> Scienza >  >> Natura
    Costruire uno strumento di previsione delle frane con Google e AI

    In "DeepLDB, " Le immagini di Google Earth vengono utilizzate per identificare gli eventi di frana indotti dalle precipitazioni del passato in tutto il mondo. Credito:Shen Multi-scale Hydrology, Gruppo Processi e Intelligence

    Nella loro AI Impact Challenge del 2019, Google ha chiesto alle organizzazioni non profit, imprese sociali e istituti di ricerca di tutto il mondo, "Come useresti l'intelligenza artificiale (AI) per il bene sociale?"

    "Abbiamo avuto una buona idea che stavamo cercando una tale opportunità, " ha detto Chaopeng Shen, professore associato di ingegneria civile e ambientale presso la Penn State e ricercatore principale di "deepLDB, " uno dei 20 progetti premiati da Google nell'ambito della sfida lo scorso anno. "Le frane provocate dalle precipitazioni rappresentano un rischio enorme per le persone che vivono in aree montuose, e abbiamo pensato che ci fosse la possibilità di utilizzare l'intelligenza artificiale per prevederli meglio".

    In tutto il mondo, le frane provocano migliaia di morti e feriti e costano miliardi di dollari ogni anno, secondo lo United States Geological Survey (USGS). I più frequenti di questi sono indotti dalle precipitazioni, trasformandosi spesso in rapide colate detritiche come il Montecito, Colate di fango in California nel 2018.

    Ma Shen ha detto che anche molti di questi eventi non vengono riportati, complicare gli sforzi per studiarli ed eventualmente prevederli.

    "La maggior parte delle informazioni proviene da notizie di cronaca, e ci sono molti eventi mancanti, " ha detto Shen. "Per permetterci di prevedere meglio le frane, dobbiamo iniziare con un buon database delle frane".

    Shen ha notato che con la disponibilità di immagini satellitari da Google Earth, le frane passate possono essere identificate dallo spazio. Però, trovarne solo uno, molto meno delle migliaia necessarie per popolare un database completo, richiede che un intero team esamini le immagini alla ricerca di prove di un evento passato.

    A meno che tu non abbia l'intelligenza artificiale.

    "Il primo obiettivo del nostro lavoro era produrre un metodo di intelligenza artificiale per identificare questi eventi dalle immagini satellitari, "Ha detto Shen. "Una volta che l'intelligenza artificiale è addestrata, quando può determinare cos'è una frana e cosa no, possiamo applicarla a un'area molto vasta, e troverà automaticamente il luogo con un evento sospetto."

    All'inizio del progetto, I co-investigatori di Shen e Penn State Tong Qiu, professore associato di ingegneria civile e ambientale, e Daniel Kifer, professore di informatica, sono stati forniti dall'USGS un set di dati iniziale di frane indotte dalle precipitazioni note. Dopo aver trovato gli eventi in Google Earth, hanno usato le immagini satellitari come esempi di formazione in un processo chiamato "apprendimento supervisionato".

    Secondo il professore associato Chaopeng Shen, eventi di frana passati possono essere trovati utilizzando una sola immagine satellitare. Però, avere sia un'immagine "prima" che "dopo" aumenta l'accuratezza dell'identificazione. Credito:Shen Idrologia multiscala, Gruppo Processi e Intelligence

    "E 'fondamentalmente l'identificazione dell'oggetto, "Ha detto Shen. "Guardando l'immagine satellitare, hai la sensazione che potrebbe esserci stato un evento perché la scena è cambiata radicalmente. La maggior parte dei segnali visivi proviene dalla vegetazione".

    Col tempo, l'IA ha iniziato a riconoscere i segnali che poteva usare per identificare una frana, ma aveva anche bisogno di individuare le differenze con altre occorrenze, pure. La forma di un disturbo avrebbe potuto indicare una frana, ma potrebbe anche essere stato un incendio boschivo, miniera scavata o edificio demolito.

    "Deve essere in grado di differenziare i segnali reali dal rumore, "Ha detto Shen. "Cos'è una frana indotta dalla pioggia, e cosa no?"

    Dopo un anno di formazione, Shen ha affermato che il modello ora identifica correttamente una frana il 97% delle volte, ma ha sottolineato che sono ancora necessari ulteriori esempi di formazione. I ricercatori hanno creato un sito Web in cui le persone possono caricare le proprie immagini di Google Earth per aiutare a formare il modello.

    "Se l'immagine aerea di una frana non proviene da un'area su cui ci siamo concentrati, possono aiutarci a correggerlo, " ha detto Shen. "Più dati abbiamo, più accurato sarà il modello."

    Secondo Shen, il livello di precisione nel database è ciò che distingue "deepLDB", e permette loro di iniziare a passare al secondo obiettivo del progetto:la previsione.

    "Il secondo passo è usare l'intelligenza artificiale per associare gli eventi nel database con le precipitazioni e altre condizioni locali per cercare di prevedere cosa accadrà dopo, " ha detto Shen. "L'aspetto nuovo del progetto è che abbiamo una precisione spaziale molto elevata, il che significa che sappiamo esattamente dove sono questi eventi. Con questo tipo di precisione, possiamo sovrapporre gli eventi ad altri set di dati come la consistenza del suolo e l'elevazione e scoprire alcuni dei motivi fondamentali per cui accade in un'area e non nell'altra. O perché ieri e non l'altro ieri".

    Ha aggiunto che il lavoro è appena iniziato sul modello di previsione, e hanno lavorato con gli esperti di intelligenza artificiale di Google per trovare il modo migliore per costruire l'intelligenza artificiale mentre cerca modelli nel database in crescita.

    "Le persone con cui ho lavorato presso Google e la loro organizzazione filantropica, Google.org, vuole davvero creare degli impatti positivi nel mondo, " Shen ha detto. "Si spera, saremo in grado di salvare vite umane con questo sforzo".


    © Scienza https://it.scienceaq.com