Kan AI ons redden van natuurrampen?

Natuurrampen zijn ongelooflijk gevaarlijk. Ze hebben geldelijke kosten, maar brengen ook vaak het risico van verloren levens met zich mee. Hoewel de technologie is verbeterd om deze gebeurtenissen te voorspellen, moeten onderzoekers het nog perfectioneren.

AI kan echter het volgende grote ding zijn in het voorspellen van rampen. Met zijn vermogen om te leren en opnieuw te worden onderwezen, is kunstmatige intelligentie veelbelovend op het gebied van schadebeperking. Maar zou het ons echt kunnen redden van natuurrampen?

De software aanleren met gegevens

Wetenschappers anticiperen al op hoe kunstmatige intelligentie kan helpen bij het voorspellen van natuurrampen. Een zo'n model geanalyseerde weergegevens van de afgelopen 40 jaar met minder nauwkeurigheid maar veel hogere snelheden. Deze voorspellingen kunnen nauwkeuriger worden met snellere evaluatietijden, aangezien programmeurs hun modellen aanpassen en opnieuw aanleren. Vanwege dit leerpotentieel heeft AI het potentieel om het publiek met toenemende zekerheid op de hoogte te stellen van natuurrampen.

Het vermogen van kunstmatige intelligentie om grote hoeveelheden gegevens te verzamelen en te interpreteren, zal nuttig zijn. Door klimaatverandering is het weer op aarde veel onvoorspelbaarder geworden. In opdracht voor huiseigenaren en bedrijven voor te bereiden op natuurrampen, moeten ze weten wanneer en waar deze gebeurtenissen kunnen plaatsvinden. Onderzoekers breiden AI ook uit naar niet-weersomstandigheden, zoals aardbevingen en bosbranden.

"Voorspellen van kunstmatige intelligentie kunnen nauwkeuriger worden met snellere evaluatietijden, aangezien programmeurs hun modellen aanpassen en opnieuw aanleren" 

Hoe AI rampen voorspelt

Zodra wetenschappers het programma over deze natuurlijke fenomenen hebben geleerd, kan het leren op welke tekenen ze moeten letten. Hiermee kan kunstmatige intelligentie nauwkeuriger bepalen wanneer rampen zullen toeslaan en hoe gevaarlijk deze zullen zijn.

Overstroming

In 2018 is Google begonnen met het implementeren van AI om overstromingen in India te voorspellen. Sinds de lancering is dit programma nu uitgebreid naar Bangladesh, waardoor bijna 250 miljoen mensen om meldingen te ontvangen over ernstige overstromingen. Ze gebruikten oudere en recent verzamelde gegevens om hun software te leren de tekenen van een mogelijke ramp te herkennen. Uit onderzoek met Yale bleek dat 65% van de mensen die een melding van deze overstromingen ontvingen, ervoor koos om zich voor te bereiden of te evacueren.

Momenteel zijn ze van plan om uit te breiden naar meer van Bangladesh en deze waarschuwingen sneller te krijgen. In 2020 verdubbelden ze hun prognosetijd, waardoor mensen zich konden voorbereiden op een extra dag. Google informeert deze overstromingsgebieden ook over hoeveel water waarschijnlijk is en waar. Naarmate hun AI leert, kan het mensen nauwkeurige informatie blijven geven over de gevolgen van overstromingen voor hen.

"Google gebruikte oudere en recent verzamelde gegevens om hun software te leren de tekenen van een mogelijke ramp te herkennen." 

Aardbevingen

Een team van geowetenschappers is begonnen met het gebruik van machine learning om aardbevingen te voorspellen. In een laboratorium, hun AI was in staat om nauwkeurig te evalueren wanneer zogenaamde "labbevingen" zouden plaatsvinden. Andere experimenten in Europa repliceerden met succes hun bevindingen.

Onlangs publiceerde Paul Johnson van het eerste team van onderzoekers een paper over veldtesten van langzame aardbevingen in de Pacific Northwest van de Verenigde Staten. Hun model zou het begin van deze bevingen kunnen identificeren, dagen voordat ze plaatsvinden, en ze hopen op steeds betere resultaten.

Hoewel er wat kritiek is op het anticiperen op aardbevingen, zijn deze wetenschappers het erover eens dat het gewoon een andere vorm van natuurlijk fenomeen is en dat hun voorspelling niet anders zou moeten zijn.

Branden

Krisha Rao – een Ph.D. student aan Stanford University - heeft AI ontwikkeld om te voorspellen hoeveel brandstof een mogelijke bosbrand heeft. De software bepaalt met behulp van microgolven hoe nat de bladeren van een bos zijn. Als de satelliet een groot aantal golven opvangt die door de bladeren worden teruggekaatst, is er minder kans op brand. zijn model is getest in 12 staten van de VS en was ongeveer 70% nauwkeurig.

Hoewel elke brand uniek is, hopen onderzoekers dat AI kan helpen. Naarmate de software over verschillende factoren blijft leren, kan de nauwkeurige voorspellingssnelheid omhoog gaan.

"[Rao's] model is getest in 12 Amerikaanse staten en was ongeveer 70% nauwkeurig [bij het bepalen van het risico op brand]."

Orkanen en Tornado's

Eerdere orkaanvoorspellingsmodellen waren onnauwkeurig vanwege de complexiteit ervan. Wetenschappers van het Pacific Northwest National Laboratory hebben mogelijk een manier gevonden om AI te gebruiken om deze complexiteit betrouwbaarder te meten. Zij leerden hun software over de verbinding tussen orkaangedrag, windsnelheid en water- en luchttemperatuur. Deze onderzoekers denken dat hun model zou kunnen voorspellen hoe deze stormen zich zullen gedragen terwijl ze plaatsvinden en als het klimaat verandert.

In 2020 begon het National Center for Atmospheric Research met het testen van AI-voorspellingen van tornado's en hagel. Aan zowel de oost- als de westkust verbeterde hun model de nauwkeurigheid van traditionele voorspellingen aanzienlijk. Naast het voorspellen waar de stormen plaatsvonden, bepaalde hun kunstmatige intelligentie of ze meer schade door hagel of wind zouden veroorzaken. Het maakt gebruik van ongeveer 40 verschillende atmosferische factoren patronen te vinden en een beslissing te nemen.

Kunstmatige intelligentie gebruiken om natuurrampen te voorspellen

De huidige voorspellingstechnologie is redelijk betrouwbaar, maar kan worden verbeterd. AI zou de verbetering kunnen zijn die het nodig heeft. Omdat het sneller patronen kan analyseren en voorspellingen kan doen dan mensen, zouden meteorologen en andere wetenschappers kunstmatige intelligentie kunnen gebruiken om extreem weer te identificeren voordat het nauwkeuriger gebeurt. Zijn leer- en herleervermogen zou meer mensen kunnen redden van natuurrampen.

Lees ook 10 manieren om kunstmatige intelligentie in het onderwijs te gebruiken