Прогноз состояния воздуха
Среди факторов окружающей среды самая большая угроза для здоровья людей — это загрязнение воздуха. По данным Всемирной организации здравоохранения, ежегодно оно убивает около 7 млн человек. Причем 90% людей в мире дышат воздухом, превышающим рекомендованные ВОЗ лимиты загрязнения.
Однако оценивать уровни загрязнений чаще всего приходится «по факту»: прогнозировать эти показатели сложно. На состав воздуха влияет масса факторов — выхлопные газы, промышленные выбросы, сжигание угля, пыль и, конечно, метеорологические условия. Причем каждое из загрязняющих веществ распределяется в атмосфере по-своему.
У большинства моделей прогнозирования есть серьезные недостатки, которые мешают широко применять их для долгосрочных прогнозов, объясняют в Сибирском федеральном университете (СФУ). Чтобы решить эту проблему, исследователи из СФУ применили нейронные сети в сочетании с методами математического моделирования.
Для расчетов ученые использовали исторические данные о концентрации основных веществ-загрязнителей воздуха — диоксида и оксида азота, диоксида серы и оксида углерода. Показатели были собраны на станциях мониторинга атмосферы в Красноярске в 2017–2019 годах. Эту информацию сопоставили с десятью видами метеоданных, включая температуру, влажность и скорость ветра.
В результате удалось разработать архитектуру модели для обучения нейронной сети. Созданная модель повышает точность прогнозов и автоматизирует оценку рисков. При этом она способна предсказать большинство неожиданных изменений уровней загрязнения.
Борьба с незаконными свалками
Число несанкционированных свалок в России ежегодно увеличивается более чем на 30%. «Сейчас эту проблему решают с помощью интерактивных интернет-карт. На них любой пользователь может обозначить место несанкционированной свалки. Люди могут также собирать статистику вручную по картам земной поверхности, используя спутниковые сервисы. Но эти методы достаточно трудоемки и требуют временных и финансовых ресурсов», — говорит магистрант кафедры «Вычислительная математика, механика и биомеханика» Пермского Политеха Вадим Данелян.
По его словам, сейчас нет комплексного инструмента для выявления, учета и мониторинга свалок. Поэтому Данелян вместе с коллегами по вузу разрабатывает приложение на основе нейросетей, которое сможет быстро находить незаконные свалки и отслеживать их состояние в динамике.
Нейросети находят нужные объекты на спутниковых снимках земной поверхности, определяют свалку, ее координаты и площадь. Точность оценки достигает 89%. Решение также позволяет определять кадастровый номер территории и ее владельца.
Конечным продуктом станет web-приложение, способное отслеживать данные по свалкам в любом регионе мира. Пользоваться решением смогут в том числе экологи, государственные органы и операторы по обращению ТКО. Ожидается, что первую версию приложения запустят в 2021 году.
Мониторинг Байкала
В 1945 году на Байкале запустили проект по экологическому мониторингу под названием «Точка № 1». 75 лет подряд ученые регулярно — раз в семь-десять дней — берут пробы воды с глубины от нуля до 800 м, а затем анализируют содержащийся в воде фито- и зоопланктон. Эти данные нужны, чтобы отслеживать и прогнозировать состояние экосистемы озера, оценивать влияние климатических изменений.
«Точка № 1» попала в Книгу рекордов России как самый длительный проект по регулярному эко-мониторингу в истории науки. Но недавно этот проект оказался под угрозой закрытия. Проблема — в устаревшей и слишком трудоемкой технологии: фито- и зоопланктон анализируют вручную с помощью микроскопов. Специалист должен различать больше 400 видов микроорганизмов, а для этого необходимо не менее десяти лет непрерывной практики. Причем проект требует несколько десятков подготовленных специалистов.
Чтобы продолжить работу, НИИ Биологии Иркутского государственного университета и Фонд «Озеро Байкал» решили создать интеллектуальную цифровую систему, способную автоматизировать распознавание микроорганизмов. К инициативе подключилась платформа Yandeх.Cloud и компания Maritime AI, которая занимается алгоритмами машинного обучения для изучения морских экосистем.
Объединенная команда создаст нейросетевой алгоритм для автоматического анализа проб воды, распознавания и классификации микроорганизмы. Для обучения алгоритма ученые предоставили больше тысячи снимков каждого вида планктона. На их основе эксперты разрабатывают механизм классификации.
Изображения микроорганизмов будут отправлять в Yandex.Coud прямо с микроскопов лаборатории. Предполагаемая точность классификации с помощью алгоритма — до 99%. Тем не менее, специалисты НИИ Биологии будут контролировать качество его работы.
Наблюдение за дикими животными
Отслеживать популяции животных, которые находятся под угрозой исчезновения, всегда сложно. Как правило, речь идет об обширных и труднодоступных для человека территориях.
Яркий пример — колонии императорских пингвинов в Антарктиде. Около 70% их популяции могут исчезнуть в ближайшие 30 лет. Но чтобы точно оценить ситуацию и предложить какие-то меры, ученым нужны полные данные о состоянии и локации колоний.
Сложность в том, что подсчитать пингвинов с помощью обычной съемки с воздуха или фотоловушек получается не всегда. Часто животные стоят слишком близко друг к другу. На фото они превращаются в слабо различимую черно-белую массу.
Поэтому для точного подсчета применяют нейронные сети и компьютерное зрение. Изобретение принадлежит компании Gramener, которая занимается обработкой данных и участвует в программе Intel для создателей искусственного интеллекта. Модель анализирует плотность групп пингвинов по изображениям и оценивает их численность.
Нейросеть работает с изображениями из проекта Penguin Watch Project. Это часть онлайн-платформы Zooniverse, которая объединяет волонтеров, желающих помочь профессиональным исследователям.
Технологии Gramener применяют не только для подсчета пингвинов. Компания также использовала искусственный интеллект и аналитику данных для оценки популяция 12 видов лосося. Кроме того, она участвовала в проекте по наблюдению за дикими слонами. Машинное обучение и нейросети использовалось для определения низкочастотных звуков, издаваемых животными.
Слежка за браконьерами
Нелегальный рынок древесины превышает показатель $152 млрд в год. Но чтобы бороться с незаконными вырубками, не хватает ресурсов, прежде всего — персонала.
Недостающих специалистов может частично заменить искусственный интеллект. Компания Outland Analytics, участник акселератора NVIDIA, создала систему, которая прослушивает лес и обнаруживает неавторизованные транспортные средства и бензопилы.
Система состоит из небольших устройств, размещаемых на деревьях, и алгоритма распознавания звука. Периферийное устройство размером с небольшой рюкзак имеет собственную солнечную панель и антенну, с помощью которой подключается к сетям сотовой связи. Каждый такой гаджет собирает звуковые сигналы с площади около 60 га и отправляет информацию в облако.
Нейронная сеть получает и анализирует звуковую дорожку. Если обнаружены признаки браконьеров, сеть посылает электронное письмо диспетчеру или текстовое сообщение рейнджеру. После этого они могут выехать на место, не тратя силы на поиск браконьеров по всему лесному массиву.