I deras 2019 AI Impact Challenge, Google frågade ideella organisationer, sociala företag och forskningsinstitutioner runt om i världen, "Hur skulle du använda artificiell intelligens (AI) för socialt bästa?"

"Vi hade en bra idé som letade efter en sådan möjlighet, sade Chaopeng Shen, docent i civil- och miljöteknik vid Penn State och huvudutredare för "deepLDB, " ett av 20 projekt som beviljades finansiering av Google i utmaningen förra året. "Nerbördskred är en enorm risk för människor som bor i bergsområden, och vi trodde att det fanns en möjlighet att använda AI för att bättre förutse dem."

Över hela världen, jordskred orsakar tusentals dödsfall och skador och kostar miljarder dollar varje år, enligt United States Geological Survey (USGS). De vanligaste av dessa orsakas av nederbörd, förvandlas ofta till snabbrörliga skräpflöden som Montecito, Kalifornien lerskred 2018.

Men Shen sa att många av dessa händelser också inte rapporteras, komplicerar ansträngningarna att studera och så småningom förutsäga dem.

"Det mesta av informationen kommer från nyhetsrapporter, och det saknas många händelser, " sa Shen. "För att vi bättre ska kunna förutse jordskred, vi måste börja med en bra jordskreddatabas."

Shen noterade att med tillgången till satellitbilder från Google Earth, tidigare jordskred kan identifieras från rymden. Dock, att hitta bara en – mycket mindre de tusentals som behövs för att fylla en omfattande databas – kräver att ett helt team letar igenom bilder efter bevis på en tidigare händelse.

Om du inte har AI.

"Det första målet med vårt arbete var att ta fram en artificiell intelligensmetod för att identifiera dessa händelser från satellitbilderna, "Shen sa. "När AI är tränad – när den kan avgöra vad som är ett jordskred och vad som inte är det – kan vi tillämpa det på ett mycket stort område, och den kommer automatiskt att hitta platsen med en misstänkt händelse."

I början av projektet, Shen och Penn State medutredare Tong Qiu, docent i civil- och miljöteknik, och Daniel Kifer, professor i datavetenskap, försågs med en initial datauppsättning av kända nederbördsinducerade jordskred av USGS. Efter att ha hittat händelserna i Google Earth, de använde satellitbilderna som träningsexempel i en process som kallas "övervakat lärande".

"Det är i grunden objektidentifiering, " sa Shen. "Genom att titta på satellitbilden, du får en känsla av att det kan ha varit en händelse eftersom scenen förändrades dramatiskt. De flesta av de visuella signalerna kommer från vegetationen."

Över tid, AI började känna igen ledtrådarna den kunde använda för att identifiera ett jordskred, men det behövde också upptäcka skillnaderna från andra händelser, för. Formen på en störning kan ha indikerat ett jordskred, men det kan också ha varit från en skogsbrand, utgrävd gruva eller riven byggnad.

"Den måste kunna skilja de verkliga signalerna från bruset, " sa Shen. "Vad är ett nederbördsinducerat jordskred, och vad är det inte?"

Efter ett års träning, Shen sa att modellen nu korrekt identifierar ett jordskred 97% av tiden, men han betonade att det fortfarande behövs fler utbildningsexempel. Forskarna skapade en webbplats där människor kunde ladda upp sina egna Google Earth-bilder för att hjälpa till att träna modellen.

"Om en flygbild av ett jordskred inte kommer från ett område vi har fokuserat på, de kan hjälpa oss att rätta till det, " sa Shen. "Ju mer data vi har, desto mer exakt blir modellen."

Enligt Shen, precisionsnivån i databasen är det som skiljer "deepLDB" åt, och det låter dem börja gå vidare till projektets andra mål:förutsägelse.

"Det andra steget är att använda AI för att associera händelserna i databasen med nederbörd och andra lokala förhållanden för att försöka förutsäga vad som kommer att hända härnäst, "Shen sa. "Den nya aspekten av projektet är att vi har en mycket hög rumslig noggrannhet, vilket betyder att vi vet exakt var dessa händelser är. Med denna typ av precision, vi kan överlappa händelserna med andra datauppsättningar som marktextur och höjd och ta reda på några av de grundläggande orsakerna till varför det händer i ett område och inte i det andra. Eller varför igår och inte i förrgår."

Han tillade att arbetet precis har börjat med prediktionsmodellen, och de har arbetat med Googles AI-experter för att hitta det bästa sättet att bygga AI:n när den letar efter mönster i den växande databasen.

"De som jag har arbetat med på Google och deras filantropiska organisation, Google.org, vill verkligen skapa positiva effekter i världen, " sa Shen. "Förhoppningsvis, vi kommer att kunna rädda liv med denna insats."