Глоссарий
- Литосфера — это твердая внешняя оболочка Земли, она состоит из коры и твердого верхнего слоя мантии. Толщина литосферы неоднородна, в ее строении выделяют подвижные области и относительно стабильные платформы.
- Вулкан — отверстие в сейсмически активных зонах земной коры, через которое на поверхность выбрасывается смесь газов, пепла, пара, каменных пород, скального грунта и наполовину расплавленной породы — лавы.
- Извержения вулканов — геологические чрезвычайные ситуации, которые часто вызывают стихийные бедствия. Облака пепла могут распространяться на сотни километров. Измельченная магма, пыль и песок покрывают дома камчатцев и производства, леса и пастбища оленей. В вулканическом пепле содержатся токсичные вещества, которые могут нанести существенный вред организму. Контакт с пеплом приводит к затруднению дыхания, обострению респираторных заболеваний, раздражению кожи и глаз, а также негативно влияет на сердечно-сосудистую систему. А если пепел попадет в источники водоснабжения, то питьевой воды могут лишиться целые населенные пункты. Иногда пепел нарушает работу сетей связи, так что не получается позвонить близким или спасателям.
Как машинное обучение прогнозирует распространение вулканического пепла после извержения вулканов
Вулканы Камчатки — активные, спящие, потухшие — удивительно красивы. Можно сказать, что они управляют жизнью Камчатского полуострова. От их извержений и выбросов зависит многое: благополучие жителей, сельское хозяйство, туризм, авиаперевозки. Для почти 300 тыс. жителей Камчатского края и туристов критически важна возможность заранее получать сведения о введении режима чрезвычайной ситуации и необходимости эвакуации.
Yandex Cloud, «Яндекс Погода» и «Геоинтеллект» совместно со Школой анализа данных (ШАД) и Геофизической службой РАН создали сервис, отображающий распространение облаков вулканического пепла в виде интерактивной карты. Сейчас он работает на Камчатке, но может быть адаптирован для любой точки мира. В основе проекта — технология машинного обучения (machine learning, ML), с помощью которой распознают данные с камер наблюдения за вулканами и объединяют информацию о выбросах.
С помощью интерактивной карты вулканологи прогнозируют степень опасности облака и его траекторию на 24 часа вперед, а власти могут заранее объявить о введении режима чрезвычайной ситуации и эвакуировать население. На первом этапе работы программы происходит определение уровня сейсмической активности вулканов с помощью нейронных сетей — ML-модель обучили распознавать на видео класс сейсмической активности, на основе которого можно сделать вывод о наличии извержения и его примерной высоте. Для обучения использовали архивы с историческими данными и видеоматериалами, которые в Геофизической службе РАН собирали с 2000 года.
В режиме реального времени видео с нескольких камер, расположенных около вулканов, загружаются в ML-модель. Если произошел выброс облака пепла, модель оценивает класс выброса и передает эту информацию в математическую модель рассеивания частиц. «Яндекс Погода» формирует таблицу с данными о времени выброса, его координатах, высоте и значении концентрации облака. После этого специалисты компании «Геоинтеллект» визуализируют информацию на «Яндекс Картах».
Дарья Родичева, участница проекта, студентка ШАД:
«Если нейронная сеть определяет по снимку наличие пеплового выброса, она запускает процесс, в результате которого выдает прогноз о его распространении — куда и как будет двигаться облако. Это позволяет быстро среагировать на ситуацию, выиграв время для организации эвакуации и других необходимых действий».
С помощью сервиса можно узнать о распространении пепла на семи вулканах Камчатки. Дарья работала над изучением уровня сейсмической активности вулканов Шивелуч, Ключевской и Безымянный.
Как еще применяют ML в решении вопросов, связанных с экологическими проблемами
Сегодня машинное обучение все чаще используют для решения экологических проблем: защита редких биологических видов, загрязнение воздуха и изменение климата.
Алексей Толстиков, руководитель ШАДа:
«Стоит отметить, что все больше специалистов в мире заявляют, что решить глобальные задачи можно, только объединившись. Здорово, что вчерашние школьники и студенты готовы вкладываться в шаги на пути исследования и решения таких проблем. С одной стороны, это проектная деятельность на реальных данных, а с другой — возможность открыто пополнить свое портфолио для будущей карьеры в исследованиях или в индустрии».
Анализ популяции краснокнижных животных по фото
Решение для автоматизации анализа фотоснимков и распознавания животных на них оказалось полезным для изучения популяций редких видов в различных уголках планеты. Специалисты по ML устанавливают фото- и видеоловушки в местах обитания животных и собирают данные о них на основе фотографий и видео.
Специалисты Института трансляционной аналитики данных в Университете штата Огайо создали платформу с открытым исходным кодом Wildbook для сбора и анализа фотографий. Алгоритм может исследовать характерные черты биологических видов, например окрас пятен или длину плавника. Платформа отсканировала 11 тыс. изображений китовых акул, чтобы помочь специалистам идентифицировать отдельных особей и следить за их перемещениями. Благодаря обновленным данным о размере популяции Международный союз охраны природы изменил природоохранный статус китовой акулы с «уязвимого» на «находящийся под угрозой исчезновения».
Под защитой Сайлюгемского национального парка, особо охраняемой природной территории на Горном Алтае, находятся снежный барс и алтайский горный баран. Вместе со студентами ШАД специалисты Yandex Cloud разработали нейросеть, которая способна распознавать десять видов животных на изображениях и видеозаписях, получаемых с помощью размещенных на территории нацпарка фотоловушек. В числе этих видов — внесенные в Красную книгу ирбисы, или снежные барсы. Нейросеть находит животных на фото и видео в десятки раз быстрее, чем это под силу человеку. Технология позволит специалистам более глубоко и продуктивно изучать ирбисов в их естественной среде обитания и поможет находить новые решения для защиты популяции. На данный момент на платформу загружено более 150 Гб снимков с фотоловушек.
Мониторинг и прогнозирование загрязнения воздуха и изменений климата
Ученые из Калифорнийского университета в Беркли создали модель глубокого обучения, анализирующую спутниковые снимки и данные, поступающие с наземных датчиков, для прогнозирования уровня твердых частиц PM2.5 — одного из основных загрязнителей воздуха. Модель точно предугадывает ежедневные концентрации PM2.5 в различных локациях. Она применялась для информирования в Калифорнии, в районе залива Сан-Франциско.
Алгоритмы машинного обучения могут анализировать спутниковые снимки для мониторинга таяния ледников или изменений в покрытии растительности. Проект Google Earth Engine использует искусственный интеллект для анализа большого количества спутниковых данных, что позволяет ученым отслеживать изменения в окружающей среде на протяжении десятилетий. Эти данные могут быть использованы для оценки влияния климатических изменений на различные экосистемы и для разработки стратегий адаптации и смягчения последствий. Earth Engine используется в самых разных сферах и дисциплинах: глобальное изменение лесов, глобальное изменение поверхностных вод, оценка урожайности, картирование наводнений, защита ареалов обитания животных, картографирование городских территорий.
Мониторинг микроорганизмов Байкала
Ученые НИИ биологии Иркутского государственного университета, компания MaritimeAI, команда платформы Yandex Cloud и Фонд поддержки прикладных экологических разработок и исследований «Озеро Байкал» разработали нейросеть для экомониторинга Байкала. Алгоритм машинного обучения анализирует пробы воды из озера, определяет и классифицирует содержащиеся в ней микроорганизмы. Нейросеть умеет работать с десятками форм планктона, которые чаще всего встречаются в пробах. Алгоритм определяет мельчайших рачков, их видовую принадлежность и формирует отчетные карточки — раньше многие годы биологи занимались этим вручную.
Технологии, которые используются в проекте, разработчики последовательно выкладывают в opensource — это поможет разрабатывать собственные системы мониторинга водоемов другим научным группам и институтам по всему миру.