Los viernes por la tarde, Caitlin Kontgis y algunos de los otros científicos de Descartes Labs se reúnen en su oficina de Santa Fe, Nuevo México y se ponen a trabajar en un proyecto de base que no es parte de su trabajo: observar los huracanes desde arriba y ver si puede averiguar qué harán las tormentas. *
Adquieren datos de GOES, el satélite ambiental operacional geoestacionario operado por NOAA y NASA, que registra imágenes del hemisferio occidental cada cinco minutos. Eso es aproximadamente cuánto tiempo le toma al equipo procesar cada imagen a través de un algoritmo de aprendizaje profundo que detecta el ojo de un huracán y centra el procesador de imagen sobre eso. Luego, incorporan datos de apertura sintética, que utiliza un radar de onda larga para ver a través de las nubes, y pueden discernir el agua debajo en función de la reflectividad. Eso, a su vez, puede mostrar inundaciones casi en tiempo real, rastreadas durante días, de ciudades en el camino de los huracanes.
"El objetivo de estos proyectos ... es realmente poner los datos en manos de los socorristas y las personas que toman decisiones y pueden ayudar", dice Kontgis, científico principal aplicado en Descartes.
El huracán Harvey, por ejemplo, inundó inesperadamente grandes partes de Houston a pesar de la disminución de la velocidad del viento. Esa tormenta inspiró a los científicos de Descartes a construir el programa que ahora usan, aunque llegaron demasiado tarde para aplicar esos datos a los esfuerzos de recuperación. Si bien Descartes Labs ha estado en contacto con FEMA y otras organizaciones, no hay uso oficial de los datos que están recopilando.
Esta imagen muestra la probabilidad de agua antes del huracán Harvey en el área rural del sur de Houston, medida por un modelo de visión por computadora de aprendizaje profundo de Descartes Labs destinado a la detección de inundaciones. La imagen "antes" es del 1 de junio de 2017. (Laboratorios Descartes) 
Esta imagen muestra la probabilidad de agua durante el huracán Harvey en la misma área. Los azules más oscuros indican una mayor probabilidad de agua. Esta imagen "durante" es del 29 de agosto de 2017. (Laboratorios Descartes) El trabajo con huracanes no es parte del negocio principal de Descartes, que consiste en utilizar un aprendizaje automático similar para evaluar las cadenas de suministro de alimentos, bienes raíces y más. Por ejemplo, Descartes puede mirar datos satelitales de la agricultura en Brasil, Argentina y China, y hacer predicciones sobre los rendimientos y precios mundiales del maíz. O puede evaluar las tasas de construcción y estimar el valor del terreno. Pero el grupo puede aprovechar la misma tecnología para examinar huracanes y otros desastres naturales, y planea incorporar información adicional al algoritmo en el futuro, como el tamaño de los huracanes, la velocidad del viento e incluso la elevación de la tierra para predecir mejor las inundaciones.
Descartes es solo una de las numerosas agencias, empresas y grupos de investigación que intentan aprovechar el big data y el aprendizaje automático sobre predicción de huracanes, seguridad y conciencia. El éxito podría significar daños disminuidos, económicos y humanos, ante el empeoramiento de las tormentas inducidas por el clima, o al menos mayores opciones para mitigar esos daños.
Predecir a dónde irá un huracán es una perspectiva bien establecida, dice Amy McGovern, profesora de ciencias de la computación en la Universidad de Oklahoma. McGovern estudia el uso de IA en la toma de decisiones sobre tormentas eléctricas y tornados, pero no huracanes, por esa razón. Pero ella dice que todavía hay muchos factores en los huracanes que son difíciles de predecir. Puede ser predecible dónde aterrizarán, pero lo que sucederá una vez que lleguen allí es otra historia; los huracanes son bien conocidos por desaparecer o aumentar justo antes de tocar tierra.
Incluso con redes neuronales, todos los modelos a gran escala hacen uso de ciertos supuestos, gracias a una cantidad finita de datos que pueden incorporar y un número casi infinito de tipos potenciales de entrada. "Esto hace que todo sea un desafío para la IA", dice McGovern. “Los modelos definitivamente no son perfectos. Todos los modelos están en diferentes escalas, están disponibles en diferentes resoluciones de tiempo. Todos tienen sesgos diferentes. Otro desafío es la gran cantidad de datos ".
Esa es una de las razones por las que muchos científicos buscan la IA para ayudar a comprender todos esos datos. Incluso NOAA se está subiendo a bordo. Ellos son los que operan los satélites GOES, por lo que también están inundados de datos.
Hasta ahora, los científicos de NOAA están utilizando el aprendizaje profundo como una forma de comprender qué datos pueden obtener de sus imágenes, especialmente ahora que el nuevo GOES-16 puede detectar 16 bandas espectrales diferentes, cada una de las cuales proporciona una visión diferente de los patrones climáticos, lo que resulta en un orden de magnitud más datos que el satélite anterior. "El procesamiento de los datos satelitales puede ser significativamente más rápido cuando se aplica el aprendizaje profundo", dice Jebb Stewart, jefe de informática y visualización de NOAA. “Nos permite mirarlo. Hay una gran cantidad de información ... cuando el modelo está creando estos pronósticos, tenemos un tipo diferente de problema de información, pudiendo procesarlo para que tenga sentido para los pronósticos ".
NOAA está entrenando sus computadoras para seleccionar huracanes de sus imágenes satelitales, y eventualmente combinará eso con otras capas de datos para mejorar los pronósticos probabilísticos, lo que ayudará a la Armada, las compañías navieras comerciales, las plataformas petroleras y muchas otras industrias a tomar mejores decisiones sobre sus operaciones
La NASA también está utilizando el aprendizaje profundo para estimar la intensidad en tiempo real de las tormentas tropicales, desarrollando reglas algorítmicas que reconocen patrones en los espectros visible e infrarrojo. La herramienta basada en la web de la agencia permite a los usuarios ver imágenes y predicciones de velocidad del viento para huracanes en vivo e históricos basados en datos del GOES.
Una vez que podamos esperar que las computadoras detecten los huracanes de manera confiable, necesitamos una forma de traducir eso a algo que la gente pueda entender. Hay mucha más información disponible que solo la velocidad del viento, y darle sentido puede ayudarnos a comprender todas las otras formas en que los huracanes afectan a las comunidades. Hussam Mahmoud, profesor asociado de ingeniería civil y ambiental en la Universidad Estatal de Colorado, ha examinado ampliamente los factores que hacen que algunos huracanes sean más desastrosos que otros. El principal de ellos, dice, es dónde llegan esas tormentas y qué, o quién, les espera cuando lleguen allí. No es sorprendente sugerir que un huracán que golpea una ciudad causará más daño que uno que golpea una costa desocupada, pero uno que golpea un área preparada con diques y otros factores atenuantes también tendrá un impacto disminuido.
Una vez que sepa qué tipo de daño esperar, puede estar mejor preparado para los desafíos a las ciudades, como el hacinamiento en los hospitales y el cierre de escuelas, y puede estar más seguro de si es necesaria la evacuación. Pero luego está el problema de la comunicación: actualmente, los huracanes se describen por su velocidad del viento, clasificados en categorías del 1 al 5. Pero la velocidad del viento es solo un indicador de daños. Mahmoud y sus colaboradores publicaron un estudio el año pasado en Frontiers in Built Environment sobre una evaluación llamada Nivel de Impacto de Huracán.
"Queríamos hacer algo donde pudiéramos comunicar el riesgo de una mejor manera, que incluye las diferentes posibilidades que podría traer este peligro", dice Mahmoud. "La marejada sería muy importante, la cantidad de precipitación que tiene es muy importante y la velocidad del viento".
El proyecto incorpora datos de tormentas recientes (velocidad del viento, marejada ciclónica y precipitación, pero también ubicación y población) y les aplica una red neuronal. Entonces puede entrenarse a sí mismo, estimando, por ejemplo, si un huracán toca tierra en la ubicación X, con la velocidad del viento Y, la marejada Z, etc., el daño probablemente sea de un nivel particular, expresado en costo económico. Compara las entradas de los registros de NOAA, los datos del censo y otras fuentes de tormentas reales, y proporciona un nivel de daño similar al que ocurrió en esas tormentas. El equipo de Mahmoud lo intentó de verdad, y en los últimos dos años, el modelo ha proporcionado estimaciones precisas para los huracanes que tocaron tierra.
"Si podemos hacer eso, tal vez podamos, en primer lugar, comprender la magnitud del daño que estamos a punto de experimentar a causa de un huracán, y ... usarlo para emitir órdenes de evacuación, que han sido uno de los principales problemas con la mitigación de huracanes y la respuesta ", dice Mahmoud.
El sistema propuesto de Mahmoud aún no se ha implementado, pero está en conversaciones con The Weather Channel, que él llama etapa inicial, pero prometedor.
The Weather Company (la compañía matriz de The Weather Channel) ya está utilizando la plataforma de datos grandes PAIRS Geoscope de su subsidiaria IBM para pronosticar cortes de energía y así preparar una mejor respuesta ante desastres a raíz de los huracanes. Las entradas para el sistema provienen no solo de los satélites meteorológicos, sino también de los modelos de red de servicios públicos y el historial de cortes de energía. Estas predicciones también se beneficiarán al agregar más y más fuentes de datos, incluida la humedad del suelo, que pueden ayudar a predecir las caídas de los árboles.
La cantidad de datos disponibles está creciendo extremadamente rápido, y también lo es nuestra capacidad para procesarlos, una carrera armamentista que apunta a un futuro de mayor precisión y pronóstico probabilístico de huracanes que ayudará a la preparación para tormentas en todo el mundo.
# Aliso, alpinista y Moisés Fuego # Aliso, alpinista y Moisés Fuego; lat, lon: 36.220, -118.620 # EdenFire #Eden; lat, lon: 36.410, -118.740; 1718 acres # CAfire pic.twitter.com/B2ZwfmxJiv
- Wildfire Signal (@wildfiresignal) 27 de noviembre de 2018
Descartes Labs también tiene otro proyecto en proceso, no relacionado con los huracanes, excepto que aprovecha tecnología similar en otro desastre natural: los incendios forestales. Cuando estalló el Camp Fire de California a principios de noviembre, un bot de Twitter llamado @wildfiresignal surgió a la vida. Construido por el mismo equipo de Descartes, @wildfiresignal busca datos cada seis horas del GOES-16 para obtener columnas de humo y tuitea imágenes ópticas e infrarrojas del fuego de lado a lado. La información infrarroja puede mostrar el calor del fuego, lo que puede ayudar a visualizar su ubicación justo cuando comienza el incendio, o en la noche cuando el humo es difícil de ver. Esto podría ayudar a los bomberos o residentes a planificar rutas de escape a medida que se acerca el incendio, pero, al igual que con el proyecto de huracanes, las colaboraciones con los bomberos o los bosques nacionales son preliminares.
"Si pudiéramos tener un sistema de alerta en todo el mundo donde supieras cuándo comenzó un incendio dentro de los diez minutos posteriores a su inicio, sería espectacular", dice el CEO de Descartes, Mark Johnson. "Todavía estamos probablemente lejos de eso, pero ese es el objetivo final".
* Nota del editor, 28 de noviembre de 2018: una versión anterior de este artículo declaró incorrectamente que la sede de Descartes Labs se encuentra en Los Alamos, Nuevo México, cuando, de hecho, ahora se encuentra en Santa Fe, Nuevo México. La historia ha sido editada para corregir ese hecho.
