機器學習可以幫助決策者回答諸如“何時?”、“有多糟糕?”、“有多少人處于危險之中?”等諸多問題。
颶風多里安在巴哈馬造成了嚴重破壞亞馬遜森林大火肆虐。今年夏天,美國加州南部發(fā)生了7.1級地震和余震。印度喀拉拉邦遭受了近一個世紀以來最大的洪水
很明顯,世界各地的自然災害正在造成越來越多的破壞,而且未來可能還會發(fā)生更多的破壞性事件。但是,我們如何保護自己免受不可避免的災難呢?
答案在于我們要有能力更好地預測、規(guī)劃和應對自然災害能夠分析大量數據的新技術是非常有前途的工具,可以幫助社區(qū)領導人和應急管理人員做出更明智的決策。這些技術是從機器學習領域發(fā)展起來的,可以補充和加強現有的災害應對計劃。
機器學習技術可以幫助決策者更準確地回答緊急問題,比如:災難什么時候發(fā)生?它的破壞性有多大?哪些地區(qū)將受到最嚴重的打擊,有多少人在這些地區(qū)生活和工作?哪些建筑最容易受到攻擊?會不會停電?如果會,在哪里停電?需要什么設備和資源,需要多長時間?救災工作將花費多少?等等。
簡而言之,機器學習讓計算機模仿人類學習分析過去災難的大量數據,從而對當前和未來的類似事件產生新的見解。訓練計算機去“思考”、處理信息并發(fā)展出遠超人腦計算能力的洞察力。
機器學習可以利用過去災難的大量數據。事實上,它已經被用于改善災害應對。例如,一些公用事業(yè)公司正在使用俄亥俄州立大學的史蒂文·奎林(Steven Quiring)開發(fā)的機器學習工具,來預測颶風和其他惡劣天氣事件造成的電力中斷。公用事業(yè)公司報告說,機器學習提供了關鍵信息,幫助他們改善了決策
在另一個例子中,一家初創(chuàng)公司開發(fā)了一個交叉災害平臺,使用基于工程和機器學習的模型,向社區(qū)領導人和應急管理人員提供信息,以增強長期抗災能力和短期災害響應能力。另一家非營利初創(chuàng)公司正在使用數據分析和地圖技術,將災難受害者與急救人員和志愿者組織聯系起來。
此外,機器學習技術也有局限性。他們只能處理和分析輸入電腦的信息。例如,如果一個特大災難的數據不是數據集的一部分,那么機器學習技術很可能無法對未來的類似事件做出準確的預測。機器學習的預測伴隨著不確定性,決策者很難完全理解這種不確定性。
必須強調,機器學習絕不能取代人類的決策,它只是補充了專家判斷和傳統(tǒng)的災害應對方法。這與機器學習在其他領域(如自動駕駛汽車)的應用有著關鍵的區(qū)別,在自動駕駛汽車領域,該技術尋求至少在一定程度上取代人類決策。機器學習不能也不應該取代傳統(tǒng)的災難應對方法。鑒于情況的復雜性和嚴重性,人類專家的判斷是絕對關鍵的。
很多人對機器學習持懷疑態(tài)度。他們擔心這門未經證實的科學,沒有足夠的數據來預測未來的事件。但這些只是謬見。機器學習如果使用正確,并基于與未來情況相關的可靠數據,在許多行業(yè)中都得到了證明。即使在自然災害領域,也有大量的數據可以用于不同的事件和情況。
隨著洪水、地震和野火在未來造成越來越多的破壞,機器學習應該成為災害應對計劃的重要組成部分。如果不使用它,我們就剝奪了應急管理人員在關鍵時刻改善決策的重要工具。
-
計算機
+關注
關注
19文章
7174瀏覽量
87157 -
機器學習
+關注
關注
66文章
8306瀏覽量
131843
發(fā)布評論請先 登錄
相關推薦
評論