以AI防治自然災害

以AI防治自然災害

編譯/蕭欣瑜 

對付洪汛的新方法

而現在,切薩皮克保護協會技術主任Jeff Allenby所領導的團隊則有了新的工具,可用以預測、規劃以及預防未來可能發生的洪汛。在耗時一年,耗資350萬美元,且得力於微軟與佛蒙特大學的幫助下,一幅涵蓋紐約州北部至維吉尼亞州南部的大面積高解析度地圖宣告完成。與相關單位既有的地圖相比,解析度提升約千倍,高達0.3平方公尺。然而即使如此,單憑高解析度影像的整合,仍不足以應付土地規劃與防災所需。

圖上的影像,尚須一一識別、分類與除錯,方可精確顯示是何種建物、地貌與植披。在過去,這樣的工作需要耗費大量人力、物資與時間;然而在微軟「AI for Earth」平台的幫助下,AI得以代勞。藉由「像素窺視」 ( pixel peeping ),Allenby的研究團隊亦可以手動放大物件,一一確認或修正AI自動辨識的結果,提升AI自動識別物體的能力。

藉由地貌分析,研究人員得以預測哪一個水域較有可能發生洪汛。依據埃市非營利組織─水域保護中心 ( Center for Watershed Protection ) 2001年的一份研究報告指出:若一流域內自然土地的開發面積達10%時,河流健康惡化,且逐步喪失容納逕流的能力;當土地開發面積達20%時,不受控制的逕流更增加了一倍。而埃市近年來鋪設柏油的路面與屋頂面積,已來到19%。

詳細的地圖使研究人員得以即時掌握土地利用情形,並依此設計新的排水系統。當土地開發有可能影響土地容納逕流能力時,該地圖無疑成了一種即時的「實況儀表板」和自動警報系統。又或者,如馬里蘭大學為世界資源研究所 ( World Resources Institute ) 所開發的AI,藉由分析即時衛星影像,來監視可能發生中的森林濫墾,並藉由應用程式Forest Watcher,通知志工與森林管理員親赴現場驗證。

拯救珊瑚礁也要靠AI

AI的應用也跨足至海洋生態系的保育。今年 ( 2018 ) 6月,保羅‧艾倫慈善基金會 ( Paul Allen Philanthropies ) 公布與卡內基科學研究所 ( Carnegie Institution of Science )、昆士蘭大學 ( University of Queensland )、夏威夷海洋生物學研究所 ( Hawaii Institute of Marine Biology ) 及私人衛星公司「行星」( Planet ) 的合作計畫,目標在2020年前完成全球珊瑚礁地圖的繪製。

至2017年底,「行星」已升空並啟用200個人造衛星,足以為整個地球繪製出解析度達3公尺的精確地貌影像。借助卡內基研究所的計算機視覺工具,以及昆士蘭大學深根已久,包括珊瑚、藻類、沙石與岩石在內的在地觀察資料,數萬億像素的影像,得以在AI的輔助下,轉換為有用的地圖。

「時至今日,影響全球珊瑚白化的地理因素,以及其發生速率與頻率,我們依然知之甚少。」卡內基全球生態系科學家Greg Asner坦言。根據現有資料,科學家預測:最遲至2050年,九成珊瑚礁將會消失,也同時危及到依賴其生存、佔整體海洋生物約四分之一的物種。藉由每日追踪珊瑚健康狀況,科學家希望能對全球珊瑚礁白化現象,有更深刻與透徹的了解,即使無法及時阻止,也能有朝一日將其成功復育。

地圖繪製,對於保育生物學家而言,從不是什麼新鮮事。然而成堆的影像,需要經過分析、辨識、分類與糾錯後,方能發揮其價值。而在過去,這都是十分耗費物力與人力的緩慢過程,尤其第一線的環境保護團體往往是資源最拮据的一群。AI的出現,無異於一場久旱後的甘霖,但是否能幫助我們及時解決發生中的環境問題,卻似乎遠遠超乎其能力所及了。

 

編譯來源

B. Gourgey, B. Gourgey, M. Dunne, C. Thompson, T. Simonite, K. Finley, I. Lapowsky and K. Finley, “How Artificial Intelligence Could Prevent Natural Disasters“, WIRED, 2018.

參考資料

  1.  T. Bui, “Hybrid artificial intelligence approach based on neural fuzzy inference model and metaheuristic optimization for flood susceptibilitgy modeling in a high-frequency tropical cyclone area using GIS”, Journal of Hydrology, vol 540, 2016, p.317-330.
  2.  Shafizadeh-Moghadam, “Novel forecasting approaches using combination of machine learning and statistical models for flood susceptibility mapping”, Journal of Environmental Management,vol 217,2018, p.1-11.

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)

views