Svět vědy | Laviny a umělá inteligence

Umělá inteligence (AI) je víceméně cokoli, co umožňuje počítačům simulovat lidské chování nebo rozhodování. Strojové učení se obvykle vztahuje k podkategorii umělé inteligence. Počítače zde přijímají data a něco se z nich "učí", aniž by jim bylo výslovně řečeno, co přesně mají dělat. Strojové učení (ML) zase zahrnuje vše od lineární regrese, kterou si možná pamatujete ze školy, až po složité neuronové sítě.

Rychlé zpracování velkých souborů dat

V geovědách se ML často používá ke zpracování velkého množství dat nebo složitých, vícerozměrných souborů dat rychleji a efektivněji, než by bylo možné pomocí explicitního programování. V současné literatuře existuje například řada studií, které tak či onak využívají metody ML pro klasifikaci terénu a identifikaci lavinových drah. To je užitečné zejména v oblastech světa, kde jsou k dispozici terénní data pouze ve středním rozlišení a kde takové klasifikace ještě neexistují (některé příklady: Irán, Irán, Irán, Indie, Tianšan, Turecko). Metody ML jsou také velmi užitečné pro identifikaci lavin v satelitních datech. Algoritmy ML dostávají soubory dat, ve kterých byly laviny označeny ručně, a používají je k tréninku vyhledávání lavin na satelitních snímcích. Tento postup nefunguje vždy dokonale, ale relativně dobře a je rychlejší a mnohem méně pracný než ruční počítání lavin pro celé regiony (Detekce a mapování sněhových lavin v multitemporálních a multiorbitálních radarových snímcích z TerraSAR-X a Sentinel-1 ,Snow Avalanche Segmentation in SAR Images With Fully Convolutional Neural Networks).

).

Stalo by se to umělé inteligenci? — Udělala by umělá inteligence totéž?

LH

AI pro varování před lavinami?

Z pohledu lyžařů přirozeně vyvstává otázka: Co nám může umělá inteligence říci o lavinovém nebezpečí? Vědí počítače něco, co lavinové výstražné služby ne? V tuto chvíli ne - i když možná budou schopny rozpoznat vícerozměrné vztahy, které jsou pro lidský mozek příliš složité. V budoucnu je jistě možné uvažovat o operativních aplikacích. Tímto směrem se ubírají dva současné preprinty SLF (preprinty jsou studie zaslané do vědeckých časopisů, které jsou přístupné online, ale ještě neprošly plným recenzním řízením). V obou případech se používá tzv. model náhodného lesa. "Náhodný les" je "les" mnoha rozhodovacích stromů a často se používá k automatizované klasifikaci velkých souborů dat.

V "Modelu náhodného lesa k posouzení nestability sněhu ze simulované sněhové stratigrafie" to vypadá takto: Více než 700 sněhových profilů slouží jako databáze, pro kterou jsou mimo jiné k dispozici výsledky blokového testu sesuvů. V závislosti na sesuvném bloku jsou profily ručně kategorizovány jako stabilní, nestabilní nebo "něco mezi". S pomocí údajů o počasí byly všechny profily také simulovány pomocí modelu sněhové pokrývky - existuje tedy skutečný profil vykopaný ve sněhu a profil simulovaný. Pro každý simulovaný profil jsou příslušné slabé vrstvy a nad nimi ležící sněhová deska popsány pomocí 34 "rysů", mezi něž patří například velikost zrna vrstvy, rozdíl ve velikosti kužele oproti následující vrstvě, pevnost ve smyku, viskozita, hustota atd.

Algoritmus Random Forest pak obdrží ručně klasifikovaná trénovací data, tj. profily a odpovídající "rysy", které byly určeny jako stabilní nebo nestabilní. Algoritmus se pak "naučí", které rysy jsou rozhodující pro stabilitu nebo nestabilitu, a roztřídí simulované profily do kategorie "stabilní" nebo "nestabilní" v závislosti na vlastnostech slabé vrstvy a nadložní desky. Srovnání se "skutečným" profilem a lavinovými daty ukazuje, že nestabilita je rozpoznána poměrně spolehlivě. Autoři studie vidí potenciál pro začlenění těchto metod do operativních lavinových výstrah v blízké budoucnosti.

Zajímavé je, že nestabilita je obvykle rozpoznána i přesto, že simulované profily modelu sněhové pokrývky jsou generovány pomocí prostorově interpolovaných meteorologických dat, což znamená, že jsou poněkud rozmazané a neodrážejí mikroklimatické rozdíly v malém měřítku. Povětrnostní faktory, které jsou pro slabé vrstvy rozhodující, jsou zřejmě přesto zachyceny.

Dále je zajímavé sledovat, které z 34 charakteristických rysů jsou pro klasifikaci stabilní/nestabilní nejdůležitější. V algoritmu Random Forest má ústřední postavení následujících 6 znaků:

Míra viskózní deformace
"kritická délka řezu" (délka, která se při testu s rozmnožovací pilou řeže, dokud nedojde k přetržení)
Hloubka proniknutí lyžaře (silně závisí na hustotě horních 30 cm sněhové pokrývky)
Sféricita zrn ve slabé vrstvě (jak kulatá jsou zrna?).)
Poměr průměrné hustoty sněhové desky a velikosti zrn
Velikost zrn ve slabé vrstvě

Všechny ostatní vlastnosti mají na výsledek malý nebo žádný vliv. To jistě povede k mnoha dalším výzkumným otázkám. Náhodný les je sice "inteligentní", ale nedokáže přesně vysvětlit, proč vybírá právě tyto rysy. K vysvětlení tohoto jevu z hlediska fyziky sněhu jsou zapotřebí jiné přístupy.

Druhý aktuální preprint SLF, "Data-driven automated predictions of avalanche danger level for dry-snow conditions in Switzerland", rovněž využívá klasifikaci pomocí Random Forest. Zde se stupeň lavinového nebezpečí určuje automaticky na základě údajů o počasí a modelových výpočtů sněhové pokrývky. To se daří v 70 až téměř 80 % analyzovaných případů. Existují však určité regionální rozdíly a celá věc funguje poněkud hůře, pokud převládá problém se starým sněhem. Situace s mokrým sněhem byly vyloučeny kvůli zvláštním lavinovým procesům. Tréninková data, s nimiž se model "učí", zahrnují zimy 1997-98 až 2017/18, model byl testován s daty z posledních dvou zim (2018/19 a 2019/20)

Opět existuje řada rysů a charakteristických parametrů, které má Random Forest k dispozici, aby mohl přiřadit příslušný stupeň nebezpečí k danému dni. A opět se ukazuje, že klasifikaci významně ovlivňuje jen relativně málo charakteristik: různé parametry nového a ujetého sněhu, rychlost sněžení, hloubka proniknutí lyžaře, "kritická délka řezu", a také relativní vlhkost, teplota vzduchu a indexy stability. V zásadě se jedná o přesně ty samé věci, které jsou ve velké míře zahrnuty i do "manuální" lavinové předpovědi.

Údaje o terénu, meteorologické parametry a modelování sněhové pokrývky poskytují dostatek vstupních dat pro různé lavinové aplikace umělé inteligence. — Data o terénu, meteorologické parametry a modelování sněhové pokrývky poskytují dostatek vstupních dat pro různé lavinové aplikace s umělou inteligencí.

LH

V obou případech se studie zaměřují na využití sněhových a meteorologických modelů k automatickému vyjádření stability sněhové pokrývky a rizika lavin. Výhody jsou zřejmé: v Alpách, které jsou skutečně obdařeny terénními daty, by se díky těmto systémům mohlo dále zlepšit prostorové rozlišení informací a varovné služby by měly k dispozici další nástroj. V regionech světa, kde nejsou žádné nebo jsou špatně vybavené výstražné služby, by operativní aplikace znamenala ještě výraznější rozšíření informací. V této souvislosti vyvstává otázka, zda a do jaké míry představují metody podporované umělou inteligencí praktický přírůstek informací ve srovnání s "klasickými" metodami, protože celková databáze je mimo Alpy obvykle mnohem chudší. Za určitých okolností nemusí být ani možné kalkulovat s proměnnými, jako je kulovitost nebo míra deformace, ale musí se omezit na vítr a čerstvý sníh v předpovědi počasí.

AI: Teoreticky chytrá, prakticky ne vždy

Důležitá zásada v jakékoli formě statistiky, ať už "inteligentní", nebo ne, zní: garbage in, garbage out (GIGO). Nezáleží na tom, jak chytrý je ML algoritmus - pokud ho nakrmíte odpadky, tj. špatnými daty, vyplivne také odpadky. To, co se můžeme z dat pomocí metod strojového učení naučit, je jen tak dobré, jak dobrá jsou samotná data. Na jedné straně ML algoritmy reprodukují chyby, které mohou být v datech obsaženy, a na druhé straně se nemusí naučit to, co se naučit mají, pokud data umožňují příliš velkou volnost. Mnohé algoritmy ML, včetně náhodných lesů z výše uvedených studií, jsou také tzv. modely černých skříněk - nemůžeme plně pochopit, jak vznikl výsledek, který je vyplivnut na konci.

Data použitá pro výše uvedené studie jsou samozřejmě opakem datového odpadu. Sněhové profily zaznamenané lidskými pozorovateli, hodnocení stability a stupně nebezpečí stanovené lavinovou výstražnou službou však obsahují určitý prostor pro interpretaci. Předpovědi nejsou z definice vždy zcela přesné a o "správném" určení stupně nebezpečí lze diskutovat víceméně donekonečna. Určit absolutní správné a nesprávné, resp. stabilní a nestabilní, není u tohoto typu tréninkových dat triviální úkol. Počítač to v zásadě dělá díky svému přirozeně binárnímu způsobu myšlení, ale to neznamená, že by to bylo správné nebo špatné.

Důležitým tématem obou citovaných preprintů jsou vlastnosti vstupních dat a čištění dat. Například model úrovně nebezpečí byl "naučen" jednou se všemi daty a jednou s vyčištěným souborem dat, který pravděpodobně obsahuje méně falešných předpovědí a má také o něco menší zkreslení. Algoritmus se "naučil", jak počasí a simulovaná sněhová pokrývka za posledních 20 let souvisí s předpovídanou úrovní nebezpečí ve Švýcarsku. Pokud tedy existují například nějaké švýcarské zvláštnosti, model se je také naučil.

Laviny jsou fyzikálně velmi složité a lavinová předpověď je jakýmsi ukázkovým příkladem působivé schopnosti lidského mozku vyvozovat relevantní závěry z neúplných, vícerozměrných informací. Právě proto je výzkum lavin jako oblast použití umělé inteligence velmi vzrušující, ale také velmi náročný. S napětím očekáváme, kam nás vývoj v příštích letech zavede!

Mnohokrát děkujeme Stephanii Mayerové a Franku Techelovi (oba SLF) za jejich příspěvky k tomuto článku!