Η τεχνητή νοημοσύνη βοηθός για την αντιμετώπιση καταστροφικών καιρικών φαινομένων

Καθώς τα ακραία καιρικά φαινόμενα γίνονται όλο και πιο συχνά, οι ερευνητές στρέφονται στην τεχνητή νοημοσύνη σε μια προσπάθεια να κατανοήσουν καλύτερα και να ανταποκριθούν πιο άμεσα στις καταστροφές που προκαλεί η κλιματική αλλαγή. Μετά από έναν σεισμό 7,4 βαθμών τον Απρίλιο του 2024 που λίγο έξω από το Hualien στην Ταϊβάν – τον ισχυρότερο στη χώρα τα τελευταία 25 χρόνια – χιλιάδες κατολισθήσεις κατέστρεψαν απομακρυσμένες ορεινές κοινότητες. Για να εκτιμήσουν τις ζημιές, οι ομάδες έκτακτης ανάγκης βασίζονται συχνά σε δορυφορικές εικόνες προκειμένου να εντοπίσουν τις πληγείσες περιοχές. Αλλά η χειροκίνητη σάρωση αυτών των εικόνων μπορεί να διαρκέσει ώρες ή και ημέρες.

Σύμφωνα με ρεπορτάζ της Έρης Δρίβα στο economix.gr, γεωεπιστήμονες του Πανεπιστημίου του Κέιμπριτζ πιστεύουν ότι έχουν ένα εργαλείο που μπορεί να κάνει τη διαφορά. Εκπαιδεύουν την τεχνητή νοημοσύνη να ανιχνεύει κατολισθήσεις και να βοηθά τις ομάδες διάσωσης να ενεργούν ταχύτερα.

«Μετά από μια καταστροφή, ο χρόνος έχει πραγματικά σημασία», δήλωσε σύμφωνα με το Euronews, ο Λορέντζο Νάβα, ερευνητής στα τμήματα γεωεπιστημών και γεωγραφίας του πανεπιστημίου.

Ένας ταχύτερος τρόπος για να δούμε τι συμβαίνει στο έδαφος

Η ομάδα εργάζεται για τη δημιουργία μοντέλων τεχνητής νοημοσύνης που μπορούν να εντοπίζουν αυτόματα τις κατολισθήσεις σε δορυφορικές εικόνες, ακόμη και όταν υπάρχει νεφοκάλυψη ή σκοτάδι. Η προσπάθεια αποτελεί μέρος της CoMHaz, μιας ερευνητικής ομάδας του Cambridge που επικεντρώνεται σε αλυσιδωτές καταστροφές, όπου ένα συμβάν πυροδοτεί ένα άλλο ή συμβαίνουν πολλά συμβάντα ταυτόχρονα.

Συνδυάζοντας τυπικές οπτικές εικόνες με δεδομένα ραντάρ, τα οποία μπορούν να διαπεράσουν τα σύννεφα και να λειτουργήσουν τη νύχτα, οι ερευνητές ελπίζουν να κάνουν τα μοντέλα ανίχνευσής τους ταχύτερα και πιο αξιόπιστα σε καταστάσεις κρίσης. Μετά τον σεισμό της Χουαλιέν, το σύστημα κατέγραψε πάνω από 7.000 κατολισθήσεις μέσα σε μόλις τρεις ώρες από τη λήψη δορυφορικών εικόνων, σύμφωνα με πρόσφατη μελέτη που δημοσίευσαν στο Natural Hazards and Earth System Sciences. Η ίδια διαδικασία θα είχε διαρκέσει πολύ περισσότερο αν γινόταν χειροκίνητα.

Η ομάδα ελπίζει ότι αυτή η τεχνολογία θα βοηθήσει τα συνεργεία διάσωσης να δώσουν προτεραιότητα σε περιοχές που έχουν επείγουσα ανάγκη βοήθειας, ειδικά σε απομακρυσμένες ή ορεινές περιοχές όπου ο χρόνος είναι κρίσιμος. Μάλιστα, εκτιμούν ότι, σταδιακά, θα μπορούσε να προβλέπει τις κατολισθήσεις πριν συμβούν.

Γιατί η Τεχνητή Νοημοσύνη έχει σημασία

Η Ευρώπη έχει αντιμετωπίσει, τον τελευταίο χρόνο, διαδοχικές καταστροφές που οφείλονται στην κλιματική αλλαγή. Στην Ελβετία, η κατάρρευση παγετώνα τον Μάιο προκάλεσε θανατηφόρα κατολίσθηση που ισοπέδωσε ένα μικρό αλπικό χωριό. Πριν από αυτό, ξαφνικές πλημμύρες στη Βαλένθια κόστισαν ανθρώπινες ζωές, αφού οι πρωτοφανείς βροχοπτώσεις πλημμύρισαν υποδομές της πόλης. Και σε όλη τη Νότια Ευρώπη, καύσωνες, πυρκαγιές και πλημμύρες «χτυπούν» με αυξανόμενη ένταση.

Οι επιστήμονες πιστεύουν ότι η κλιματική αλλαγή δεν τροφοδοτεί μόνο τη σοβαρότητα αυτών των γεγονότων – αλλά αποκαλύπτει επίσης αδυναμίες στα συστήματα αντιμετώπισης καταστροφών. Οι κατολισθήσεις, για παράδειγμα, επιδεινώνονται από τις έντονες βροχοπτώσεις, την αποψίλωση των δασών και την άνοδο των θερμοκρασιών που καθιστούν τις πλαγιές πιο ασταθείς.

Η Τεχνητή Νοημοσύνη μπορεί να μην είναι πανάκεια, αλλά θα μπορούσε να προσφέρει την απαραίτητη υποστήριξη. Εργαλεία όπως αυτά που αναπτύχθηκαν από την ομάδα του Cambridge έχουν σχεδιαστεί για να ιεραρχούν τους πόρους, να εντοπίζουν ταχύτερα τις περιοχές που έχουν πληγεί σοβαρά και, σε ορισμένες περιπτώσεις, να υποστηρίζουν τις έγκαιρες προειδοποιήσεις. Οι επικεφαλής της ομάδας CoMHaz συνεργάζονται με τοπικούς επιστήμονες στο Νεπάλ για να εφαρμόσουν πιλοτικά ένα σύστημα έγκαιρης προειδοποίησης που υποστηρίζεται από Τεχνητή Νοημοσύνη στο Butwal, μια πόλη ευάλωτη σε κατολισθήσεις. Για να βελτιώσει το σύστημά της, η ομάδα του Κέιμπριτζ ένωσε τις δυνάμεις της με τον Ευρωπαϊκό Οργανισμό Διαστήματος, τον Παγκόσμιο Μετεωρολογικό Οργανισμό και άλλους εταίρους.