• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Maskininlärning kan hjälpa oss att förutsäga jordskred orsakade av klimatförändringar

    Christoph Mertz, huvudprojektforskaren vid Carnegie Mellon Universitys Robotics Institute, började ta bilder av kullarna med utsikt över Pittsburghs West End på sin smartphone.

    "Varje dag, i månader, Jag samlade bilder på dessa sluttningar, " Sa Mertz. "Jag ville se om jag kunde använda dessa bilder som ett sätt att förutsäga nästa jordskred."

    Jordskred är naturfenomen, men många av de tillstånd som kan öka deras sannolikhet orsakas av mänsklig aktivitet, som att rikta ytavrinning till ett område eller förändra naturliga sluttningar för byggande av byggnader och vägar. I kombination med ökade nederbördshastigheter relaterade till klimatförändringar, jordskred i USA har blivit vanligare och allvarligare. United States Geological Survey uppskattar att varje år mellan 25 och 50 dödsfall beror på jordskred, samt mellan 2 och 4 miljarder dollar i årliga förluster på grund av egendomsskador. När dessa förhållanden förvärras, dessa siffror förväntas öka.

    För Mertz, Pittsburgh var en utmärkt plats för detta arbete. Under 2018, Allegheny County upplevde ett aldrig tidigare skådat antal jordskred, resulterar i skada på minst 131 fastigheter. Vid slutet av året, PennDOT uppskattade att kostnaden för att åtgärda alla länets jordskredrelaterade skador var cirka 40 miljoner dollar. Det här beloppet ser inte bara skrämmande ut, det verkar helt oväntat. Förra året, staden Pittsburgh överskred sin tilldelade årliga budget för jordskredsanering på 1 miljon dollar på bara några månader. Dock, enligt Karen Lightman, verkställande direktör för Metro21:Smart Cities Institute, 2018 var inte en outlier – det är det nya normala.

    "Frågan är att många områden blir blötare, " sa Lightman. "Det här problemet kommer bara att förvärras med tiden."

    Pittsburgh är inte den enda staden som känner av dessa effekter. Ta fallet med Big Sur. I maj 2017, ett jordskred begravde en kvartsmil lång sträcka av Kaliforniens natursköna Highway 1 under sex miljoner ton smuts. Även om ingen kom till skada, jordskredet skar av den enda norra vägen in till Big Sur. Händer strax före Memorial Day Weekend, att jordskred hade en betydande inverkan på den lokala ekonomin.

    Fyra månader senare, California Department of Transportation tillkännagav en plan för att bygga en ersättningsväg över jordskredet. Efter 54 miljoner dollar och 14 månaders konstruktion för att bygga om vägen, en annan del av riksväg 1 stängdes av av ett annat jordskred i mars.

    Mertz är inte främmande för att hitta innovativa sätt att förutse infrastrukturellt förfall. Förutom sin roll på Robotics Institute, Mertz är medgrundare av RoadBotics, där han använder djupinlärningsanalys av smartphonebilder för att identifiera gropar och andra väginfrastrukturproblem i realtid. Mer än 100 regeringar runt om i världen använder nu RoadBotics trottoarbedömningssystem.

    Med tanke på det arbete han hade gjort med RoadBotics, Mertz undrade om han inte kunde använda samma djupinlärningsmetod för att upptäcka tecken på förestående jordskred, som sprickor i vägen som utvecklas snabbt, deformerade skyddsräcken, skräp på vägen, deformation av sluttningar eller lutande träd.

    Anatomi av ett jordskred

    Mertz fick tidigt veta att övergången från gropar till jordskred inte bara var en fråga om horisontellt kontra vertikalt.

    Jordskred har en mängd olika orsaker och, i förlängningen, en mängd olika bidragande faktorer. En kulle som består av röd lera kollapsar annorlunda än en kulle av skiffer. Lutningen av det omgivande lövverket kan vara en lika giltig indikator som utvecklingen av själva sluttningen, liksom utbuktningen av närliggande stödmurar. Och inte alla sprickor och deformationer är lika:platsen för en spricka i jorden kan radikalt förändra konsekvenserna av en senare geologisk händelse.

    Dessutom, det fanns faktorer som bilder av själva sluttningen inte kunde fånga effektivt. En spricka i väginfrastrukturen kan vara en indikator på ett mötande jordskred, samt ett igensatt stormavlopp som leder om vattnet till en närliggande kulle.

    För att hitta mönster och förutsäga resultat, algoritmer för djupinlärning kräver stora mängder befintlig data. Utan att se tusentals bilder av korsningar, djupinlärning skulle inte kunna hjälpa ett autonomt fordon att skilja en stoppskylt från en vikskylt. Utan språkliga uppgifter, det kunde inte hjälpa Google Översätt att omedelbart fastställa att ett avsnitt är på spanska och inte på italienska. I förlängningen, för att förstå trenderna och mönstren bakom regionens jordskred, djupinlärning kräver en betydande mängd historiska och geologiska data.

    Således, för att träna sin modell och få en mer holistisk bild av anatomin i ett jordskred, Mertz behövde gå utanför sin disciplin.

    "Det är en riktigt komplicerad sak, ", sa Mertz. "Du behöver den typ av tvärvetenskapligt samarbete som finns här vid Carnegie Mellon University – inte bara experter inom datavetenskap och maskininlärning utan experter inom geologi, inom infrastruktur, i vatten och avlopp — att gå samman och ta itu med problemet."

    I ett samarbete med Allegheny County, Mertz analyserar fem platser med potentiella jordskred för att utvärdera livskraften för hans system.

    I sista hand, Mertz projekt handlar inte bara om att kunna förutse och förebygga skred. Han avser också att använda detta arbete för att mer rättvist styra den infrastrukturella förändring som krävs för att stödja denna typ av förutsägelse och förebyggande.

    "Jag är inte säker på att jordskred förebyggande var i folkmun ens för tre år sedan, " sa Lightman. "Men nu, Jag hör det oftare i samtal om framtida investeringar i infrastrukturen."

    I sitt senaste rapportkort för infrastruktur, American Society of Civil Engineers gav den amerikanska infrastrukturen ett övergripande D+-betyg. Särskilt, flera av de delar av infrastrukturen som var centrala för jordskredbildningen, som vägar, vallar och avloppsvatten, fick även D-betyg.

    Dock, de resurser som behövs för att komma till rätta med dessa luckor i infrastrukturen är ibland ojämnt fördelade mellan stadsdelar och många infrastrukturella beslut nedprioriterar ofta behoven i områden med marginaliserade befolkningar.

    "Baserat på vår modell, det finns många indikatorer för jordskred som kan hjälpa till att informera om politik och budgetfördelning, " sade Mertz. "Ibland, dessa beslut påverkas av partiskhet. Men genom att tillhandahålla en objektiv representation av det infrastrukturella förfallet, vi hoppas kunna stödja ett mer rättvist sätt att fördela dessa resurser."


    © Vetenskap https://sv.scienceaq.com