科技防灾预测自然灾害的最新人工智能技术

　　看看人工智慧如何协助我们防灾
　　去年11月，美国加州的天堂市（Paradise）经受了有史以来最致命的山林野火，共计大大小小8,527场火灾，肆虐189万多英亩的土地，造成86人丧生。
　　这种情况并不只限于一个州或一个国家。2018年遭遇野火的还有希腊海滩、澳洲灌木丛、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相关：土壤干旱、气温升高、风场类型的变化、大气湿度低。我们预计未来会发生更多山林野火。
　　而幸好有个特殊领域的进展，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才能做到，而如今我们能靠着人工智能，扩大防灾的助益。人工智能 防范火灾
　　一家位于旧金山的公司 SilviaTerra，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 - 萳·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。我们的算法可在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，而当局需要预先采取干预措施，设置防火屏障或砍伐树木。
　　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。
　　人工智能可用于防范洪灾人工智能 防范洪灾
　　此技术可用于火灾之外的其他灾害，如洪水预测。极度暴风雨、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。美国犹他州杨百翰大学（Brigham Young University）的麦克·苏弗朗特（Michael Souffront）正在改进全球洪灾预警系统，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。
　　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6亿个数据点，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。
　　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公司了解所需的建筑工程，来减少地区的洪涝灾害。建筑工作将在今年夏天完工。对于无法预测的灾害，人工智能能协助救灾
　　但有些自然灾害是无法避免的，像是地震、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，然而，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。
　　7年前，印度洋一场地震引发的大海啸，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，以及微受损或未受损的。
　　微软地球人工智能项目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。
　　＂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。
　　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。比如，有许多因素可让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。＂