Para peneliti dari University of Cambridge menggunakan AI untuk mempercepat deteksi tanah longsor setelah gempa bumi besar dan peristiwa curah hujan yang ekstrem membeli waktu yang berharga untuk mengoordinasikan upaya bantuan dan mengurangi dampak kemanusiaan.
Pada tanggal 3 April 2024, berkekuatan 7,4 Quake-Taiwan-S terkuat dalam 25 tahun mengguncang pantai timur negara itu. Kode bangunan yang ketat menyelamatkan sebagian besar struktur, tetapi desa -desa pegunungan dan terpencil hancur oleh tanah longsor.
Ketika bencana mempengaruhi area yang besar dan tidak dapat diakses, responden sering beralih ke gambar satelit untuk menentukan daerah yang terkena dampak dan memprioritaskan upaya bantuan.
Tetapi pemetaan tanah longsor dari citra satelit dengan mata bisa intensif waktu, kata Lorenzo Nava, yang bersama-sama berbasis di Departemen Ilmu Pengetahuan dan Geografi Bumi Cambridge. -Mengaja bencana, waktu benar-benar penting,- katanya. Menggunakan AI, ia mengidentifikasi 7.000 tanah longsor setelah gempa bumi Taiwan, dan dalam waktu tiga jam dari citra satelit yang diperoleh.
Sejak gempa bumi Taiwan, Nava telah mengembangkan metode AI -nya bersama tim internasional. Dengan menggunakan serangkaian teknologi satelit-termasuk satelit yang dapat melihat melalui awan dan pada malam hari-para peneliti berharap dapat meningkatkan kemampuan deteksi longsor AI-S.
Melipatgandakan bahaya
Dipicu oleh gempa bumi besar atau curah hujan yang intens, Ölandslides sering diperburuk oleh aktivitas manusia seperti deforestasi dan konstruksi di lereng yang tidak stabil. Di lingkungan tertentu, mereka dapat memicu bahaya tambahan seperti aliran puing yang bergerak cepat atau banjir parah, menambah dampak destruktif mereka.
Pekerjaan Nava -S cocok dengan upaya yang lebih besar di Cambridge untuk memahami bagaimana tanah longsor dan bahaya lainnya dapat memicu cascading -multihazardchains. Kelompok Comhaz, yang dipimpin oleh Maximillian van Wyk de Vries, profesor bahaya alam di departemen geografi dan ilmu bumi, mengambil informasi dari citra satelit, pemodelan komputer dan kerja lapangan untuk menemukan tanah longsor, memahami mengapa mereka terjadi dan akhirnya memprediksi kejadian mereka.
Mereka juga bekerja dengan masyarakat untuk meningkatkan kesadaran tanah longsor. Di Nepal, Nava dan Van Wyk de Vries bekerja sama dengan para ilmuwan lokal dan ketahanan iklim dan bencana dalam konsorsium Nepal (CDRIN) untuk mengemudikan sistem peringatan dini untuk Butwal, yang berada di bawah lereng besar yang tidak stabil.
Peningkatan deteksi AI
Nava melatih AI untuk mengidentifikasi tanah longsor dalam dua jenis gambar-gambar satelit-optik dari permukaan tanah dan data radar, yang terakhir dapat menembus penutup awan dan bahkan memperoleh gambar di malam hari.
Namun, gambar radar dapat menjadi sulit untuk ditafsirkan, karena mereka menggunakan skala hijau untuk menggambarkan sifat permukaan yang kontras dan fitur lanskap juga dapat muncul terdistorsi. Tantangan-tantangan ini membuat data radar cocok untuk analisis yang dibantu AI, membantu mengekstrak fitur yang mungkin tidak diperhatikan.
Dengan menggabungkan kemampuan penembusan awan radar dengan kesetiaan gambar optik, Nava berharap untuk membangun model bertenaga AI yang dapat secara akurat melihat tanah longsor bahkan dalam kondisi cuaca yang buruk.
Persidangannya setelah gempa bumi Taiwan 2024 menunjukkan janji, mendeteksi ribuan tanah longsor yang seharusnya tidak diketahui di bawah penutup awan. Tetapi Nava mengakui bahwa masih ada lebih banyak pekerjaan yang diperlukan, baik untuk meningkatkan akurasi model-s dan transparansi.
Dia ingin membangun kepercayaan dalam model dan memastikan outputnya dapat ditafsirkan dan ditindaklanjuti oleh pembuat keputusan. -Senanya, para pembuat keputusan bukanlah orang-orang yang mengembangkan algoritma,-kata Nava. -Ai bisa terasa seperti kotak hitam. Logika internalnya tidak selalu transparan, dan itu dapat membuat orang ragu -ragu untuk bertindak atas outputnya.
-S penting untuk memudahkan pengguna akhir untuk mengevaluasi kualitas informasi yang dihasilkan AI sebelum memasukkannya ke dalam keputusan penting .-
Ini adalah sesuatu yang sekarang dia bahas sebagai bagian dari kemitraan yang lebih luas dengan Badan Antariksa Eropa (ESA), Organisasi Meteorologi Dunia (WMO), Union Telekomunikasi Internasional AI untuk fondasi yang baik dan inisiatif global tentang ketahanan terhadap bahaya alam melalui solusi AI.
Pada pertemuan kelompok kerja baru-baru ini di ESA Center for Earth Observation di Italia, para peneliti meluncurkan tantangan sains data untuk upaya crowdsource untuk meningkatkan model. -Kami membuka ini dan mencari bantuan dari komunitas pengkodean yang lebih luas,- kata Nava.
Di luar meningkatkan fungsionalitas model-S, Nava mengatakan tujuannya adalah untuk menggabungkan fitur yang menjelaskan penalarannya secara potensial menggunakan visualisasi seperti peta yang menunjukkan kemungkinan gambar yang berisi tanah longsor untuk membantu pengguna akhir memahami output.
-Dalam skenario berisiko tinggi seperti respons bencana, kepercayaan pada hasil yang dihasilkan AI sangat penting. Melalui tantangan ini, kami bertujuan untuk membawa transparansi ke proses pengambilan keputusan model-S, memberdayakan para pembuat keputusan di lapangan untuk bertindak dengan percaya diri dan kecepatan.-
Referensi:
Lorenzo Nava, Alessandro Novellino et al. 'Komunikasi singkat: Pemetaan tanah longsor cepat yang digerakkan oleh AI setelah gempa bumi Hualien City 2024 di Taiwan.' Bahaya Alam dan Ilmu Sistem Bumi (2025). Doi: 10.5194/nhess-25-2371-2025
