Mer än tre fjärdedelar av Alaskas samhällen har ingen tillgång till motorvägar eller vägar. I dessa avlägsna regioner, små flygplan är en stadsbuss, ambulans, och matleverans - det enda sättet att få in och ut människor och saker.

Så rutinmässigt som det dagliga flyget kan vara, det kan vara farligt. Dessa små (eller allmänna luftfartyg) flygs vanligtvis visuellt, av en pilot som tittar ut genom cockpitfönstren. Om plötsliga stormar eller dimma uppstår, en pilot kanske inte kan se en landningsbana, närliggande flygplan, eller stigande terräng. År 2018, Federal Aviation Administration (FAA) rapporterade 95 flygolyckor i Alaska, inklusive flera dödsolyckor som inträffade i avlägsna regioner där dålig sikt kan ha spelat en roll.

"Allmänna flygpiloter i Alaska måste vara medvetna om de prognostiserade förhållandena under planering av preflight, men också om alla snabbt förändrade förhållanden under flygning, "säger Michael Matthews, en meteorolog vid MIT Lincoln Laboratory. "Det finns vissa regler, som om du inte kan flyga med mindre än tre mil sikt. Om det är värre, piloter måste flyga på instrument, men de måste bli certifierade för det. "

Piloter kontrollerar nuvarande eller prognostiserade väderförhållanden innan de flyger, men bristen på automatiska väderobservationsstationer i Alaskas buske gör det svårt att veta exakt vad man kan förvänta sig. Att hjälpa, FAA installerade nyligen 221 webbkameror nära landningsbanor och bergspass. Piloter kan titta på bildflöden online för att planera sin rutt. Fortfarande, det är svårt att gå igenom vad som kan vara hundratals bilder och uppskatta hur långt man kan se.

Så, Matthews har arbetat med FAA för att förvandla dessa webbkameror till synlighetssensorer. Han har utvecklat en algoritm, kallad synlighetsuppskattning genom bildanalys (VEIA), som använder en kameras bildmatning för att automatiskt bestämma områdets synlighet. Dessa uppskattningar kan sedan delas mellan prognosmakare och med piloter online i realtid.

Träna ögon

I konceptet, VEIA -algoritmen bestämmer synligheten på samma sätt som människor gör. Det letar efter stationära "kanter". För mänskliga observatörer, dessa kanter är landmärken med kända avstånd från ett flygfält, som ett torn eller bergstopp. De är utbildade i att tolka hur bra de kan se varje markör jämfört med på en tydlig, solig dag.

Likaså, algoritmen lärs först hur kanter ser ut under tydliga förhållanden. Systemet tittar på de senaste tio dagars bilder en optimal tidsram eftersom alla kortare tidsramar kan vara snedställda av dåligt väder och längre kan påverkas av säsongsförändringar, enligt Matthews. Med hjälp av dessa 10-dagars bilder, systemet skapar en sammansatt "klar" bild. Denna bild blir referensen till vilken en aktuell bild jämförs.

För att göra en jämförelse, en kantdetekteringsalgoritm (kallas ett Sobel-filter) tillämpas på både referens- och aktuell bild. Denna algoritm identifierar kanter som är ihållande - horisonten, byggnader, bergssidor - och tar bort flyktiga kanter som bilar och moln. Sedan, systemet jämför de totala kantstyrkorna och genererar ett förhållande. Förhållandet omvandlas till synlighet i miles.

Att utveckla en algoritm som fungerar bra över bilder från valfri webbkamera var utmanande, Säger Matthews. Baserat på var de placeras, vissa kameror kan ha en syn på 100 miles och andra bara 100 fot. Andra problem härrörde från permanenta föremål som var mycket nära kameran och dominerade utsikten, som en stor antenn. Algoritmen måste utformas för att titta förbi dessa nära föremål.

"Om du är en observatör på Mount Washington, du har ett tränat öga för att leta efter mycket specifika saker för att få en synbarhetsuppskattning. Säga, skidliftarna på Attitash Mountain, och så vidare. Vi ville inte göra en algoritm som är utbildad så specifikt; vi ville att samma algoritm skulle gälla var som helst och över alla typer av kanter, "Säger Matthews.

För att validera dess uppskattningar, VEIA -algoritmen testades mot data från Automated Surface Observing Stations (ASOS). Dessa stationer, varav det finns nära 50 i Alaska, är utrustade med sensorer som kan uppskatta synligheten varje timme. VEIA -algoritmen, som ger uppskattningar var 10:e minut, var mer än 90 procent noggrann när det gäller att upptäcka förhållanden med låg synlighet jämfört med samlokaliserade ASOS-data.

Informerade piloter

FAA planerar att testa VEIA -algoritmen sommaren 2020 på en experimentell webbplats. Under testperioden, piloter kan besöka den experimentella webbplatsen för att se uppskattningar i realtid vid sidan av själva kamerabilderna.

"Vidare, VEIA -uppskattningarna kan intas i väderprognosmodeller för att förbättra prognoserna, "säger Jenny Colavito, vem är tak- och synlighetsforskningsprojektledare vid FAA. "Allt detta leder till att piloter hålls bättre informerade om väderförhållandena så att de kan undvika att flyga in i faror."

FAA undersöker att använda väderkameror i andra regioner, börjar på Hawaii. "Som Alaska, Hawaii har extrema terräng- och väderförhållanden som kan förändras snabbt. Jag räknar med att VEIA -algoritmen kommer att användas tillsammans med väderkamerorna på Hawaii för att ge så mycket information till piloter som möjligt, "Tillägger Colavito. En av de viktigaste fördelarna med VEIA är att den inte kräver några specialiserade sensorer för att göra sitt jobb, bara bildflödet från webbkamerorna.

Matthews accepterade nyligen ett R&D 100 Award för algoritmen, utsågs till en av världens 100 mest innovativa produkter som utvecklats 2019. Som forskare inom flygtrafikledning i 28 år, han är glad över att ha uppnått denna ära.

"Vissa bergspass i Alaska är som motorvägar, särskilt på sommaren, med antalet människor som flyger. Du kan hitta otaliga historier om fruktansvärda kraschar, människor bara gör vardagliga saker - en familj på väg till ett volleybollspel, "Matthews reflekterar." Jag hoppas att VEIA kan hjälpa människor att leva säkrare. "

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.