滑坡是一种重大的全球危害，每年丧生数千人，并影响数百万。灾难发生后，援助工人依靠卫星图像来查看道路被封锁的地方并切断了村庄，尽管眼睛的发现幻灯片可能是耗时的。现在，由洛伦佐·纳瓦（Lorenzo Nava）领导的剑桥地球科学系的研究人员正在探索使用机器学习的新图像处理技术如何帮助快速准确地识别滑坡。
当山地滑坡在山区和偏远地区罢工时，卫星图像通常是紧急工人检查的第一个资源。但是，对这些卫星图像的手动分析可能是艰苦且耗时的，这是一个乏味和缓慢的过程，就像修改三波斯考试的阅读材料一样缓慢。为了协助这一扫描过程，Nava的团队开发了能够快速，准确和自主识别滑坡的机器学习算法。纳瓦解释说：“在诸如灾难响应之类的高风险情况下，对AI生成的结果的信任至关重要。” “通过这一挑战，我们旨在使模型的决策过程透明度，使实地决策者有能力以自信和速度行事。”
“对这些卫星图像的手动分析可能与修改三倍体考试的阅读材料一样乏味”
该AI驱动的检测系统使用神经网络作为机器学习模型，模仿了人脑的复杂功能以识别模式。通过为系统喂养数千个数据点 – 从稳定的斜率到新鲜的滑动疤痕 – AI学会了找到潜在的致命滑梯。
识别滑坡通常取决于两种卫星信息：光学图像和雷达数据。每种类型的数据本身都有差距。当厚云挡住天空时，传统的光学卫星是盲目的。相比之下，雷达卫星可以通过黑暗看到，尽管它们提供的信息通常更难解释。 AI采用Radar的全天候持久性和光学图像的尖锐边界，并将它们缝合成数千个滑坡的快速地图，从而产生了更可靠的图片。
“ AI采用Radar的全天候持久性和光学图像的尖锐边界，并将其缝合成数千个滑坡的快速地图”
除了提高系统的准确性外，NAVA还解释说，下一步将涉及阐明算法的过程。他说：“人工智能会感觉像一个黑匣子。它的内部逻辑并不总是透明的，这可能会使人们犹豫要对其产量采取行动。”使工具的推理可见将意味着响应者可以更好地了解数据并增加对结果的信任。
剑桥队并不是这场与滑坡的AI比赛中唯一的坑船员。 NASA和美国地质调查局（USGS）的研究人员已经建立了一个开源的滑坡检测系统，该系统将卫星照片分为“对象”，并通过机器学习进行分类。还采用了转移学习管道，该管道适应新的滑坡检测任务。
如果灾难现在遭受灾难，则已经部署了自动化。在海地的地震和伴随的热带风暴恩典期间，多个小组同时进行了远程映射的努力，并为响应者提供了第一张封锁道路和截止山谷的地图。剑桥的工作坐落在不断增长的全球阵容中，该阵容正在将山体滑坡映射从几天或几分钟之内。
该项目的一个引人注目的特征是在这种情况下，不同的领域，AI和地球科学，共同帮助人们。这种跨学科的合作通过利用可用的技术和技术范围来解决复杂的挑战，同时促进了这两个学科的进步。
因此，下次地球摇晃时，知道可能有一种剑桥制造的AI算法发出警报 – 帮助人们找到更安全的地面，将援助人员引导到最糟糕的地区，最重要的是，挽救了生命。
