Искусственный интеллект для снижения риска бедствий: возможности, проблемы и перспективы

Искусственный интеллект (ИИ), в частности машинное обучение (МО), играет все более важную роль в деле снижения риска бедствий (СРБ) — от прогнозирования экстремальных явлений и составления карт опасных явлений до обнаружения явлений в реальном времени, обеспечения информированности о положении дел и поддержки принятия решений, и не только. В связи с этим возникает ряд вопросов: Какие возможности открывает ИИ? Какие имеются проблемы? Как можно решить проблемы и получить пользу от использования открывающихся возможностей? И как можно использовать ИИ для предоставления важной информации разработчикам политики, заинтересованным сторонам и общественности, чтобы снизить риски бедствий? Для того чтобы реализовать потенциал ИИ на благо СРБ и сформулировать стратегию ИИ в области СРБ, необходимо решить эти вопросы и создать партнерства, которые будут способствовать дальнейшему развитию ИИ для целей СРБ.

ИИ и его использование в области СРБ

Рисунок 1. Применение ИИ для обнаружения и прогнозирования опасных природных явлений и бедствий, отражающее результаты предварительного обзора литературы, охватывающего статьи, опубликованные в период с 2018 по 2021 год, с акцентом на (будущее) применение для целей СРБ. Эти результаты показывают превалирование определенных типов опасных природных явлений, в частности паводков, землетрясений и оползней.

ИИ относится к технологиям, которые имитируют человеческий интеллект или даже превосходят его при выполнении определенных задач. МО, которое является подвидом ИИ, включающим обучение с учителем (например алгоритм случайного леса или деревья принятия решений), обучение без учителя (например метод K-средних) или обучение с подкреплением (например процесс принятия решений Маркова), можно представить в упрощенном виде путем преобразования данных в алгоритмы, которые на основе данных позволяют предоставлять классификации или прогнозы. Методы ИИ открывают новые возможности для применений, например в предварительной обработке данных наблюдений, а также в обработке выходных данных прогностических моделей. Методологический потенциал усиливается благодаря новым технологиям процессоров, которые позволяют осуществлять высокопроизводительную параллельную обработку данных.

В целом эффективность МО для конкретной задачи зависит от наличия качественных данных и выбора подходящей архитектуры модели. Благодаря дистанционному зондированию (например со спутников, беспилотников), сетям измерений (например измерений, поступающих с метеорологических, гидрометеорологических и сейсмических станций) и краудсорсингу наш фонд данных наблюдений за Землей значительно вырос. Кроме того, архитектуры моделей постоянно совершенствуются. Поэтому следует ожидать, что МО будет занимать все более заметное место в применениях в области СРБ (Sun et al., 2020). Например, предварительный обзор литературы за последнее время (2018–2021 гг.) показывает, что подходы МО используются для улучшения систем заблаговременных предупреждений и оповещений, а также для составления карт опасных явлений и карт подверженности их воздействию посредством обнаружения и прогнозирования различных типов опасных природных явлений с помощью МО (см. рис. 1; обратите внимание, что этот обзор исключает исследования, которые сосредоточены исключительно на разработке методов, но не нацелены на будущее применение для целей СРБ).

Этот предварительный обзор ясно показывает, что методы, связанные с ИИ, применяются для того, чтобы помочь лучше справиться с последствиями многих видов опасных природных явлений и бедствий. Ниже приводятся четыре конкретных примера того, как ИИ применяется для поддержки СРБ.

В Грузии Программа развития ООН (ПРООН) создает общенациональную систему заблаговременных предупреждений о многих опасных явлениях (СЗПМОЯ), чтобы помочь снизить подверженность общин, источников средств к существованию и инфраструктуры к воздействию опасных природных явлений, обусловленных погодой и климатом. Для работы этой системы необходимы точные прогнозы и карты вероятности сильных конвективных явлений (то есть града и штормового ветра). Однако подготовка такой продукции является сложной задачей, учитывая отсутствие сетей наблюдения на местах по всей стране. Поэтому эксперты используют ИИ для создания инструментария, который позволяет предсказывать вероятность наблюдения конвективного явления в конкретный день в конкретном месте при определенных метеорологических и климатических условиях. Модель MО способна предсказывать сильные конвективные условия, то есть модель определяет дни с высокой потенциальной возможностью сильной конвекции, приводящей к граду или штормовому ветру, путем объединения имеющихся данных наблюдений на местах с данными из Базы данных о штормовых явлениях Национального управления по исследованию океанов и атмосферы (НУОА), накопленных за 70 лет, и из комплекта данных атмосферного реанализа 5-го поколения (ERA5) Европейского центра среднесрочных прогнозов погоды (ЕЦСПП). Инструментарий использует исторические данные из регионов c плотной сетью данных для экстраполяции на другие регионы мира с ограниченным объемом данных с помощью трансфертного обучения. В довершение ко всему для моделирования и анализа таких явлений с помощью модели прогнозирования и исследования погоды (WRF) (Skamarock et al., 2019) и данных ERA5 используется подход на основе принципа уменьшения масштаба. Это показало большой потенциал для прогнозирования сильных конвективных штормов и создания карт вероятности опасных явлений в Грузии, которая является особенно сложным регионом для прогнозирования града и штормового ветра из-за сложной топографии. 

Рисунок 2. Фотография быстроразвивающегося паводка в Мансанильо, Мексика. (Источник: Рикардо Урсуа)

Во втором примере, связанном с быстроразвивающимися паводками, также используется ИИ для помощи в работе с ограниченными комплектами данных. Быстроразвивающиеся паводки представляют особую опасность, так как часто времени на предупреждение о надвигающемся бедствии либо мало, либо совсем нет. Для обнаружения таких явлений по мере их возникновения важно иметь плотную сеть датчиков для мониторинга и выявления изменений в расходе или уровне воды в водосборном бассейне. В бассейне реки Колима в Мексике, высота которого колеблется от 100 до 4300 м, гидрологические станции дополняются сетью c разными датчиками, в состав которых входят датчики RiverCore (для определения уровня воды и влажности почвы) и метеостанции (MendozaCano et al., 2021; Ibarreche et al., 2020; Vincent et al., 2009). Полученные данные используются для обучения MО-моделей, которые могут обнаруживать быстроразвивающиеся паводки (рис. 2). Результаты MО-моделей сравниваются с результатами гидрологических/гидравлических моделей и рассчитываются показатели эффективности, включая overall accuracy (OA) (общая точность) F1-score (F1-мера) и Intersection over Union (IoU) (отношение пересечений и объединений). В связи с успехом в Колиме использование таких методов распространяется на обнаружение быстроразвивающихся паводков в городских туннелях в метрополитенском районе Гвадалахары.

Третий пример показывает, как ИИ можно использовать в геодезии для обнаружения цунами и избежать проблем, связанных с пересечением конфиденциальными данными государственных границ. Применение передовой обработки данных Глобальной навигационной спутниковой системы (ГНСС) в режиме реального времени для определения местоположения и получения ионосферных изображений позволяет значительно улучшить заблаговременное предупреждение о цунами. ГНСС используется в сейсмологии для изучения смещений грунта, а также для мониторинга изменений общего содержания электронов в ионосфере (ОСЭ), которые обычно следуют за сейсмическими явлениями. Десять лет назад, когда северные прибрежные районы Японии пострадали от цунами в Тохоку, потребовалось несколько дней, чтобы оценить весь масштаб огромного ущерба. Наблюдения за Землей в сочетании с ИИ и МО могут быть использованы для оценки угроз (Iglewicz and Hoaglin, 1993) и заблаговременной подготовки, для оценки последствий по мере их проявления (уже через 20 минут после землетрясения) (Carrano and Groves, 2009) и для более быстрого реагирования в период после землетрясения, чтобы спасти жизни людей во время спасательных операций (Martire et al., 2021). Geodesy4Sendai, инициатива сообщества Группы по наблюдениям за Землей (ГЕО), выполняемая под руководством Международной ассоциации геодезии (МАГ) и Международного геодезического и геофизического союза (МГГС), участвует в новой совместной работе по заблаговременному предупреждению о цунами с Международным союзом электросвязи (МСЭ), ВМО и Фокус-группой по искусственному интеллекту для управления стихийными бедствиями (ФГ-ИИ для УСБ) Программы ООН по окружающей среде (ЮНЕП). В рамках Tематической группы по использованию ИИ для расширения возможностей геодезии для целей мониторинга и обнаружения цунами эксперты начали изучать соответствующие передовые практики использования данных глобальных навигационных спутниковых систем (ГНСС) (Astafyeva, 2019; Brissaud and Astafyeva, 2021). В частности эксперты изучают возможность использования ИИ для обработки данных ГНСС в странах, где экспорт данных в реальном времени запрещен законом, а также разработки протоколов для подготовки и обмена разрешенной к экспорту продукции, полученной с помощью ИИ и связанных с ним методов. Группа также рассматривает инновационные технологии связи для передачи данных ГНСС в режиме реального времени в страны или регионы с ограниченной пропускной способностью, где использование ИИ для децентрализованного обмена продукцией, полученной на основе данных, может обеспечить передачу жизненно важной информации через ограниченную инфраструктуру связи. Такие усилия закладывают основу для расширения использования этих методов в развивающихся странах, которые страдают от растущих угроз цунами в дополнение к последствиям изменения климата, таким как повышение уровня моря (Meng et al., 2015).

В четвертом примере рассматривается, как ИИ может быть использован для обеспечения эффективной коммуникации в случае опасных природных явлений и бедствий. В частности в нем рассматривается, как ИИ может помочь специалистам по ликвидации последствий бедствий оценить серьезность риска и определить приоритеты в отношении того, когда и где следует принимать меры. Структурированные и неструктурированные данные, включая источники оповещения о рисках, показатели уязвимости, подверженности и устойчивости, а также новостные источники поступают в Operations Risk Insight (ORI) (инструментарий аналитической оценки операционных рисков) — платформу, которая использует обработку естественного языка и машинное обучение для визуализации и передачи информации о рисках многих опасных явлений в режиме реального времени и помощи в принятии решений¹. В рамках программы IBM Call for Code, которая проводилась в период между ураганами «Флоренс» и «Майкл» (осень 2018 года), IBM предоставила доступ к ORI для некоммерческих организаций, компетентных в области стихийных бедствий. С тех пор IBM и несколько неправительственных организаций (НПО) сотрудничают в целях совершенствования и адаптации платформы для руководителей организаций по реагированию на бедствия. Например, ORI предоставляет организациям Day One Relief, Good360 и Save the Children индивидуальные оповещения об ураганах и штормах, а также многоуровневые комплекты данных для создания наложений на карты с целью повышения информированности о положении дел² .  

Рисунок 3. Схема основных этапов жизненного цикла ИИ для целей СРБ

Проблемы, связанные с использованием ИИ для СРБ

Проблемы, связанные с использованием ИИ для СРБ (рис. 3): на этапе получения данных, разработки модели или оперативного осуществления.

В процессе сбора и обработки данных важно учитывать: а) неточности в комплектах данных для обучения/тестирования, б) новые распределенные технологии ИИ в области данных и в) этические вопросы. Что касается неточностей в комплектах данных для обучения/тестирования, важно обеспечить, чтобы для рассматриваемой проблемы была сделана правильная выборка данных и каждый паттерн представлен в достаточной мере. Рассмотрим, например, проблему создания репрезентативного комплекта данных, содержащего примеры экстремальных явлений (которые по своей природе являются редкими). Кроме того, представим возможные издержки в результате предоставления несоответствующих данных, например неверных прогнозов или необъективных результатов.

Рисунок 4. Создание моделей на основе ИИ, способных обнаруживать определенные явления, такие как цунами, может быть затруднено из-за ограничений на экспорт данных. На этом снимке запечатлены последствия цунами в Тохоку в 2011 году. (Источник: ArtwayPics, iStock: 510576834).

После того, как мы убедились, что комплект данных не содержит погрешностей, нам также необходимо решить, как интегрировать новые распределенные технологии ИИ в область данных. Стратегические изменения в создании приборов космического базирования, таких как многочисленные малоразмерные спутники3 , и внедрение граничных вычислений (Nikos et al., 2018) привели к появлению петабайтов данных. Поскольку ИИ опирается на передачу данных и вычисление сложных алгоритмов машинного обучения, централизованная обработка и управление данными могут вызвать трудности. С одной стороны, прикладные технологии для борьбы с бедствиями в режиме реального времени требуют прочных партнерских отношений и обмена данными между странами (вспомните пример с цунами, рис. 4). С другой стороны, алгоритмы МО часто работают централизованно, предусматривая объединение обучающих данных на серверах данных. Централизованный подход может также создать дополнительные проблемы, такие как риски нарушения конфиденциальности личных данных и данных, относящихся к конкретной стране. Кроме того, централизованная обработка данных и управление ими могут ограничивать информационную открытость, что может привести к отсутствию доверия со стороны конечных пользователей, а также к трудностям в соблюдении нормативных требований (например GDPR).

Еще одна проблема, относящаяся к данным, связана с этическими соображениями. Они касаются того, как инструменты, управляемые ИИ, должны быть реализованы от разработки до ввода в действие, чтобы, например, социально-экономические неточности в базовых данных не распространялись через модели, разработанные системой. Такие принципы поддерживаются для того, чтобы потенциальный вред, связанный с ИИ, например недостаточная представленность из-за неточности (вследствие технического или человеческого фактора), можно было, если не устранить, то хотя бы смягчить, и чтобы преимущества ИИ могли быть реализованы для всех, особенно для тех, кто стал более уязвимым в результате воздействия опасных природных явлений⁴.

После курирования комплекта данных нам необходимо рассмотреть проблемы на этапе разработки модели. Здесь внимание следует сосредоточить на потребностях в вычислениях и информационной открытости. Модели ИИ, как правило, опираются на сложные структуры и, как следствие, их обучение может быть вычислительно затратным. Например, модель VGG16 (Simonyan and Zisserman, 2015), которая используется для классификации изображений, имеет около 138 миллионов параметров обучения. Обучение моделей такого размера требует больших и дорогостоящих вычислительных мощностей, которые не всегда доступны.

После разработки модели ИИ важно, чтобы результаты были понятны и приемлемы для человека. Это может оказаться непростой задачей, поскольку не существует общего готового человеко-машинного интерфейса, предоставляющего информацию о том, как и почему те или иные решения принимаются моделью ИИ. Поэтому многие исследователи работают над созданием надежных решений ИИ. При моделировании и оценке моделей, например, важно иметь точную формулировку проблемы, а также четкое представление о потребностях и ожиданиях касательно решения, полученного на основе ИИ. Только после этого можно разработать подходящую модель и стратегию обучения для решения проблемы. Более того, понимание точной конфигурации также помогает в выборе и разработке соответствующих критериев оценки.

Для модели на основе ИИ, которая считается готовой к оперативному использованию, важно учитывать вышеупомянутые проблемы, связанные с данными и разработкой модели, а также проблемы, связанные с уведомлением пользователя. Они изучаются с помощью коммуникационных технологий, основанных на использовании ИИ. Чтобы улучшить и облегчить интерпретацию результатов моделирования ИИ, их необходимо преобразовать и визуализировать в соответствии с потребностями конечного пользователя. Поэтому крайне важно, чтобы заинтересованные стороны — от местных общин до руководителей систем действий в чрезвычайной обстановке — и руководители НПО по реагированию на бедствия были вовлечены в разработку и оценку систем оповещения и заблаговременных предупреждений, прогнозов, карт опасных явлений, систем поддержки принятия решений, информационных панелей, чат-ботов и других средств коммуникации с использованием ИИ. Своевременная обратная связь и оценка аналитической информации моделей ИИ со стороны служб реагирования на бедствия необходимы для повышения качества и точности выводов. Информационная открытость источников данных, частота обновления данных и алгоритмы, используемые для средств коммуникации, необходимы для повышения доверия и доработки рекомендаций на основе машинного обучения. Как и в случае с традиционными подходами к моделированию, передача в понятной форме доверительных уровней, неопределенностей и ограничений системы, оснащенной ИИ, имеет критически важное значение для принятия обоснованных решений. В конечном счете доверие к своевременным и полностью информационно открытым средствам коммуникации на основе ИИ является самой большой проблемой, которую необходимо решать. Для этого необходимо эффективное сотрудничество между квалифицированными службами по реагированию на бедствия, разработчиками ИИ, специалистами по наукам о Земле, регулирующими органами, государственными учреждениями, НПО, телекоммуникационными компаниями и другими, чтобы удовлетворить потребности всех заинтересованных сторон. Каждый тип бедствия уникален, и в каждом регионе есть различные аспекты уязвимости и уровни устойчивости. 

Усилия по решению проблем, связанных с использованием ИИ для СРБ

В настоящее время предпринимаются согласованные усилия для решения многочисленных проблем, возникающих при использовании ИИ для СРБ и для облегчения его применения. Эти усилия способствуют повышению доступности данных, обеспечивают инструменты и пакеты программного обеспечения для помощи в разработке ИИ, улучшают объяснимость моделей, предлагают новые применения методов, основанных на ИИ (например цифровые двойники), и содействуют разработке стандартов.

Как уже отмечалось, одной из самых больших проблем при разработке алгоритмов ИИ для СРБ является обеспечение комплекта данных с правильной выборкой и достаточной представленностью каждого паттерна для данной проблемы. Здесь ценным ресурсом могут стать открытые наборы данных (или «эталонные» наборы данных^5,6,7). Открывая источники своих данных, группы исследователей надеются, что другие исследователи смогут использовать собранные данные для улучшения и дополнения существующих решений. Для достижения этой цели предоставляемые данные должны быть документально подтверждены, включать метаданные и быть доступными. Необходимо предпринять меры по блокированию, удалению или редактированию данных, чтобы избежать непреднамеренного раскрытия информации, позволяющей установить личность. Кроме того, желательно предоставить четкую документацию о том, как загрузить данные и начать с ними работать. Многие группы исследователей открывают свои проекты, снабжая их прекрасной документацией, но не видят роста числа случаев их использования из-за недостатка возможностей для обнаружения. Эту проблему можно решить, предоставив ссылки на открытые данные на платформах Google Datasets, Kaggle, Github или других платформах для обнаружения данных. Группа по наблюдениям за Землей, Национальное управление по аэронавтике и исследованию космического пространства, Европейское космическое агентство и другие организации разработали руководящие принципы и/или базы данных для поддержки данных из открытых источников⁸ .

Рисунок 5. Аннотированное изображение, полученное в рамках инициативы SpaceML’s с помощью инструментария НAСA Worldview Search (поиск и просмотр спутниковых снимков со всего мира), на котором изображен ураган «Сэм» над Атлантическим океаном 29 сентября 2021 года, снятый VIIRS (комплект радиометров видимого и инфракрасного диапазонов) на борту спутника НУОА-20. Инновационные (основанные на ИИ) инструменты могут автоматизировать идентификацию атмосферных явлений и стихийных бедствий, таких как ураганы, по спутниковым снимкам.

Наряду с данными из открытых источников разработчики ИИ могут воспользоваться целым рядом инструментов, которые помогают в основных аспектах ввода ИИ в действие: сбор данных, разработка моделей, развертывание моделей и переобучение/мониторинг моделей. В рамках каждого из этих аспектов существует несколько закрытых и открытых инструментов для разработчиков ИИ. Например, многие ученые полагаются на снимки из открытых источников, которые вручную маркируются исследовательской группой. Однако общие файловые системы, которые помогают собирать данные и автоматизировать аннотирование (например соответствующие особенности на спутниковых снимках, рис. 5) могут повысить эффективность. После маркировки данных специалисту по машинному обучению/ аналитике данных следует использовать наиболее знакомые пакеты (например Python Tensorflow, Keras и Pytorch). Многие популярные механизмы построения и обучения моделей позволяют упростить усилия по созданию ИИ. Например, Pytorch Lightning построен поверх Pytorch и используется как платформа, помогающая управлять данными в рамках отдельных моделей. Наконец, что касается развертывания и мониторинга моделей, то существуют решения, которые могут работать внутри компании (т. е. без использования облака). Для этого требуется выделенный сервер для обучения моделей с гарантиями их доступности и времени ожидания. Однако, прежде чем приступать к реализации такого решения, следует продумать сценарий использования, стоимость ресурсов, количество обученного персонала для обеспечения работоспособности модели и, наконец, как часто, по вашему мнению, вам потребуется переобучать модель. Такие системы, как AWS Lambda и Gateway, Sagemaker, платформа Google AI и сервис Watson, для развертывания моделей управляют серверами для специфических задач МО, но все равно могут потребовать привлечения ресурсов машинного обучения/аналитики данных для обеспечения точности, переобучения и доступности моделей.

Когда модель уже разработана, одним из предостережений для ее использования в применениях первостепенной важности является проблема «черного ящика». Как мы можем доверять модели, если мы не можем понять логику принятия решений этой моделью? EXplainable AI (XAI) (интерпретируемый искусственный интеллект) — это очень активная область исследований, обеспечивающая создание инструментов, которые могут быть использованы на различных этапах жизненного цикла ИИ. Например, модели ИИ часто обучаются на большом комплекте данных, чтобы получить очень высокую точность результатов. Однако причины, по которым определенная модель работает лучше или хуже другой, часто не ясны. Используя инструменты XAI, такие как интегрированные градиенты (Sundararajan et al., 2017) или послойное распространение релевантности (Bach et al., 2015), можно проанализировать модель и признаки во входных данных, которые модель считает важными, чтобы определить, что является наиболее релевантным для прогноза. При переходе от локальных к глобальным методам XAI можно также обнаружить диспропорции данных и даже избавиться от артефактов (Anders et al., 2022).

Революционные возможности использования ИИ для повышения эффективности методов и обслуживания в области СРБ мотивируют обмен данными из открытых источников, разработку инструментов и расширение исследований, связанных с ИИ (например в рамках XAI). Например, ожидается, что цифровые двойники Земли (т. е. цифровые копии системы Земля и ее компонентов) послужат стимулом для важнейших достижений в создании инновационных цифровых экосистем (Nativi et al., 2021) с участием ориентированных на пользователей/обслуживание федераций вычислений на базе высокопроизводительных графических и центральных процессоров, а также инфраструктуры с использованием специализированного программного обеспечения (Bauer et al., 2021). В этом контексте Европейская комиссия развернула инициативу Destination Earth (место назначения — Земля), в рамках которой некоторые из первых признанных двойников и сценариев их использования ориентированы на СРБ. ИИ будет играть ключевую роль в реализации и эффективном использовании цифровых двойников, позволяя, например, полностью объединить человеческий компонент с другими компонентами и представить его как часть системы Земля.

Еще одним важным видом деятельности, который может поддержать реализацию ИИ в рамках СРБ, является стандартизация, то есть создание руководящих принципов, признанных на международном уровне. Основная деятельность по стандартизации в сфере обеспечения готовности к бедствиям и ликвидации их последствий в настоящее время осуществляется международными организациями по разработке стандартов (ОРС), включая Международную организацию по стандартизации (ИСО), Международную электротехническую комиссию (МЭК) и МСЭ. Другие учреждения ООН, включая ВМО, ЮНЕП, Управление ООН по снижению риска бедствий (УСРБ ООН) и Всемирную продовольственную программу (ВПП), также вносят свой вклад в разработку технических регламентов, рамок, рекомендуемой практики и стандартов де-факто в этой области.

В то время как эти стандарты, ориентированные на технологии, в целом направлены на использование существующих ИКТ-решений для повышения оперативной эффективности систем заблаговременных предупреждений и поддержания необходимого обслуживания для восстановления после бедствий, стандартизация ИИ для целей СРБ остается в значительной степени неизведанной территорией. Признавая это, в декабре 2020 года МСЭ совместно с ВМО и ЮНЕП учредил Фокус-группу по искусственному интеллекту для управления стихийными бедствиями. В настоящее время Фокусгруппа: a) изучает возможности использования ИИ для различных типов опасных природных явлений, которые могут перерасти в бедствия, и b) разрабатывает проект передовой практики, связанной с использованием ИИ для поддержки моделирования во всех пространственно-временных масштабах и обеспечения эффективной коммуникации во время таких явлений. Фокус-группа включает в себя десять активных тематических групп, изучающих использование ИИ для борьбы с паводками, цунами, нашествием насекомых, оползнями, снежными лавинами, стихийными пожарами, трансмиссивными заболеваниями, извержениями вулканов, градом и штормовым ветром, а также с сочетанием нескольких опасных явлений, и активно рассматривает предложения по дополнительным темам. Для того чтобы подчеркнуть и осмыслить пробелы в стандартизации в этой области, Фокус-группа также разрабатывает дорожную карту, содержащую существующие стандарты и технические руководства по этой теме, действующие в различных международных, национальных и региональных ОРС. Эта дорожная карта позволит определить будущие области, требующие внимания в сфере стандартизации. Кроме того, Фокус-группа разрабатывает глоссарий, который включает существующие термины и определения, связанные с данной темой, для обеспечения четкой и однозначной коммуникации и последовательности в рамках направления деятельности по стандартизации, связанного с СРБ.

Дальнейшие шаги

В области СРБ существует значительный интерес к изучению преимуществ использования ИИ для усиления существующих методов и стратегий. В этой статье представлено несколько примеров использования, демонстрирующих, как модели на основе ИИ повышают эффективность СРБ; однако также показано, что использование ИИ сопряжено с определенными трудностями. К счастью, перспективы использования ИИ в целях СРБ мотивируют исследования для поиска решений этих проблем и вдохновляют создание новых партнерств, объединяя экспертов из различных учреждений ООН, из различных научных областей (информатика, науки о Земле), из различных секторов (от академических кругов до НПО) и со всего мира. Такие партнерства имеют ключевое значение для продвижения ИИ для целей СРБ. В частности, мы считаем, что по-прежнему необходимы усилия по созданию учебных материалов для поддержки наращивания потенциала, обеспечению доступности вычислительных ресурсов и другого оборудования, а также по преодолению разрыва в цифровых технологиях. Только так мы сможем обеспечить, чтобы никто не остался в стороне по мере развития ИИ для целей СРБ.

Для членов сообщества ВМО, заинтересованных в получении дополнительной информации об использовании ИИ для целей СРБ, существует множество комитетов, конференций и докладов, которые могут послужить источником информации. Например, Комитет по применению искусственного интеллекта в интересах науки об окружающей среде Американского метеорологического общества и инициатива Climate Change AI предлагают возможность поддерживать связь с другими экспертами в этой области. Сессия AI for Earth Sciences (ИИ для наук о Земле) на недавнем заседании по нейронным системам обработки информации (NeurIPS) или сессия Artificial Intelligence for Natural Hazard and Disaster Management (Искусственный интеллект для управления опасными природными явлениями и бедствиями) на предстоящей Генеральной ассамблее Европейского геофизического союза — два примера конференций, на которых были представлены новаторские исследования и примеры использования. Наконец, такие доклады, как Responsible AI for Disaster Risk Management: Working Group Summary (Ответственный ИИ для управления рисками бедствий: Резюме рабочей группы) могут послужить дополнительным руководством.

Footnotes

 

Авторы

Моник Куглич, Институт Фраунгофера Генриха Герца, Германия; Ариф Албайрак, Центр космических полетов им. Годдарда НАСА, США; Рауль Акино, Университет Колимы, Мексика; Элисон Крэддок, Лаборатория по изучению струйных течений НАСА и Калифорнийский технологический институт, США; Жазель Эдвард-Джилл, Институт Фраунгофера Генриха Герца, Германия; Ринку Канвар, IBM, США; Анируд Кул, Pinterest, США; Джеки Ма, Институт Фраунгофера Генриха Герца, Германия; Алехандро Марти, Mitiga Solutions и Барселонский суперкомпьютерный центр, Испания; Митили Менон, Международный союз электросвязи; Иванка Пеливан, Институт Фраунгофера Генриха Герца, Германия; Андреа Торети, Объединенный научно-исследовательский центр Европейской комиссии, Италия; Руди Венгусвами, Pinterest, США; Том Уорд, IBM, США; Елена Ксоплаки, Гисенский университет имени Юстуса Либиха, Германия; Энтони Ри и Юрг Лютербахер, Секретариат ВМO

 

Литература

Anders, C. J., L. Weber, D. Neumann, W. Samek, K.-R. Müller, S. Lapuschkin, 2022: Finding and removing Clever Hans: Using explanation methods to debug and improve deep models. Information Fusion, 77, 261-295.

Astafyeva, E., 2019: Ionospheric detection of natural hazards. Reviews of Geophysics, 57, 1265-1288. doi: 10.1029/2019RG000668

Bach, S., A. Binder, G. Montavon, F. Klauschen, K.-R. Muller, and W. Samek, 2015: On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation. PLoS ONE, 10(7):e0130140.

Bauer, P., P.D. Dueben, T. Hoefler, T. Quintino, T.C. Schulthess, and N.P. Wedi, 2021: The digital evolution of Earth-system science. Nature Computational Science 1, 104-113.

Brissaud, Q., and E. Astafyeva, 2021: Near-real-time detection of co-seismic ionospheric disturbances using machine learning, Geophysical Journal International, in review.

Carrano, C., and K. Groves, 2009: Ionospheric Data Processing and Analysis. Workshop on Satellite Navigation Science and Technology for Africa. The Abdus Salam ICTP, Trieste, Italy.

Ibarreche, J., R. Aquino, R.M. Edwards, V. Rangel, I. Pérez, M. Martínez, E. Castellanos, E. Álvarez, S. Jimenez, R. Rentería, A. Edwards, and O. Álvarez, 2020: Flash Flood Early Warning System in Colima, Mexico. Sensor Journal 20(18), 5231. doi: https:// doi.org/10.3390/s20185231

Iglewicz, B., and D. C. Hoaglin, 1993: Volume 16: How to Detect and Handle Outliers. The ASQC Basic References in Quality Control: Statistical Techniques.

Lu, Y., L. Luo, D. Huang, Y. Wang, and L. Chen, 2020: Knowledge Transfer in Vision Recognition. ACM Computing Surveys 53(2), 1-35. https://doi. org/10.1145/3379344

Martire, L., V. Constantinou, S. Krishnamoorthy, P. Vergados, A. Komjathy, X. Meng, Y. Bar-Sever, A. Craddock, and B. Wilson, 2021: Near Real-Time Tsunami Early Warning System Using GNSS Ionospheric Measurements. American Geophysical Union, New Orleans, Louisiana, USA.

Mendoza-Cano, O., R. Aquino-Santos, J. López-de la Cruz, R. M. Edwards, A. Khouakhi, I. Pattison, V. Rangel-Licea, E. Castellanos-Berjan, M. A. Martinez- Preciado, P. Rincón-Avalos, P. Lepper, A. Gutiérrez- Gómez, J. M. Uribe-Ramos, J. Ibarreche, and I. Perez, 2021: Experiments of an IoT-based wireless sensor network for flood monitoring in Colima, Mexico. Journal of Hydroinformatics 23(3), 385-401. doi: https://doi.org/10.2166/hydro.2021.126

Meng, X., A. Komjathy, O. P. Verkhoglyadova, Y.-M. Yang, Y. Deng, and A. J. Mannucci, 2015: A new physics-based modeling approach for tsunami-ionosphere coupling. Geophysical Research Letters 42, 4736–4744. doi:10.1002/2015GL064610

Moreno, C., R. Aquino, J. Ibarreche, I. Pérez, E. Castellanos, E. Álvarez, R. Rentería, L. Anguiano, A. Edwards, and P. Lepper, 2019: Rivercore: IoT device for river water level monitoring over cellular communications. Sensor Journal 19(1), 127. doi: https://doi.org/10.3390/s19010127

Nativi, S., P. Mazzetti, and M. Craglia, 2021: Digital ecosystems for developing digital twins of the Earth: the Destination Earth case. Remote Sensing 13, 2119.

Nikos, K., M. Avgeris, D. Dechouniotis, K. Papadakis-Vlachopapadopoulos, I. Roussaki, and S. Papavassiliou, 2018: Edge Computing in IoT Ecosystems for UAV-Enabled Early Fire Detection. IEEE International Conference on Smart Computing (SMARTCOMP) 106-114. doi: 10.1109/ SMARTCOMP.2018.00080

Simonyan, K. and A. Zisserman, 2015: Very Deep Convolutional Networks for Large-Scale Image Recognition. ICLR.

Skamarock, W.C., J.B. Klemp, J. Dudhia, D.O. Gill, L. Zhiquan, J. Berner, W. Wang, J.G. Powers, M.G. Duda, D.M. Barker, and X. Y. Huang, 2019: A Description of the Advanced Research WRF Model Version 4. NCAR Technical NoteNCAR/TN-475+STR. doi: http://library.ucar.edu/research/publish-technote.

Sun, W., P. Bocchini, and B.D. Davison, 2020: Applications of artificial intelligence for disaster management. Natural Hazards 103, 2631–2689. doi: https://doi.org/10.1007/s11069-020-04124-3

Sundararajan, M., A. Taly, and Q. Yan, 2017: Axiomatic attribution for deep networks. Proceedings of the 34th International Conference on Machine Learning, 3319–3328.

Troung, N., K. Sun, S. Wang, F. Guitton, and Y. Guo, 2021: Privacy preservation in federated learning: An insightful survey from the GDPR perspective. Computer & Security 110, 10/2021. doi: https://doi. org/10.1016/j.cose.2021.102402.