Mondo della scienza | Valanghe e intelligenza artificiale

L'intelligenza artificiale (AI) è più o meno tutto ciò che consente ai computer di simulare il comportamento o le decisioni umane. L'apprendimento automatico si riferisce solitamente a una sottocategoria dell'IA. In questo caso, i computer ricevono dati e "imparano" qualcosa da essi senza che gli venga detto esplicitamente cosa devono fare esattamente. L'apprendimento automatico (ML), a sua volta, comprende tutto ciò che va dalla regressione lineare, che forse ricorderete a scuola, alle reti neurali complesse.

Elaborazione rapida di grandi insiemi di dati

Nelle geoscienze, l'apprendimento automatico viene spesso utilizzato per elaborare grandi quantità di dati o insiemi di dati complessi e multidimensionali in modo più rapido ed efficiente di quanto sarebbe possibile con la programmazione esplicita. Nella letteratura attuale, ad esempio, ci sono numerosi studi che utilizzano metodi ML in un modo o nell'altro per la classificazione del terreno e l'identificazione di tracce di valanga. Ciò è particolarmente utile nelle regioni del mondo in cui i dati del terreno sono disponibili solo con una risoluzione moderata e tali classificazioni non esistono già (alcuni esempi: Iran, Iran, Iran, India, Tianshan, Turchia). I metodi ML sono molto utili anche per identificare le valanghe nei dati satellitari. Gli algoritmi di ML ricevono serie di dati in cui le valanghe sono state etichettate manualmente e le utilizzano per addestrarsi a trovare le valanghe nelle immagini satellitari. Questo non funziona sempre perfettamente, ma relativamente bene ed è più veloce e meno laborioso del conteggio manuale delle valanghe per intere regioni (Rilevamento e mappatura delle valanghe di neve in immagini radar multitemporali e multiorbitali di TerraSAR-X e Sentinel-1 ,Snow Avalanche Segmentation in SAR Images With Fully Convolutional Neural Networks).

).

Sarebbe successo a un'intelligenza artificiale? — Un'intelligenza artificiale avrebbe fatto lo stesso?

LH

AI per l'avviso valanghe?

Dal punto di vista dello sci, sorge spontanea la domanda: cosa può dirci l'intelligenza artificiale sul pericolo valanghe? I computer sanno qualcosa che i servizi di avviso valanghe non sanno? Al momento no, anche se potrebbero essere in grado di riconoscere relazioni multidimensionali troppo complesse per il cervello umano. Le applicazioni operative sono certamente concepibili in futuro. Due attuali preprints di SLF si muovono in questa direzione (i preprints sono studi presentati a riviste scientifiche che sono accessibili online ma non sono ancora stati sottoposti a un processo completo di revisione paritaria). In entrambi i casi, viene utilizzato il cosiddetto modello della foresta casuale. La "foresta casuale" è una "foresta" di molti alberi decisionali e viene spesso utilizzata per la classificazione automatica di grandi insiemi di dati.

In "Un modello di foresta casuale per valutare l'instabilità della neve dalla stratigrafia della neve simulata" si presenta così: Oltre 700 profili di neve fungono da database, per il quale sono disponibili, tra l'altro, i risultati di un test di blocco di frana. A seconda del blocco di frana, i profili vengono classificati manualmente come stabili, instabili o "una via di mezzo". Con l'aiuto dei dati meteorologici, tutti i profili sono stati simulati con un modello di manto nevoso, in modo da avere un profilo reale scavato nella neve e un profilo simulato. Per ogni profilo simulato, gli strati deboli rilevanti e la lastra di neve sovrastante sono descritti utilizzando 34 "caratteristiche", tra cui, ad esempio, la granulometria dello strato, la differenza di dimensione del cono rispetto allo strato successivo, la resistenza al taglio, la viscosità, la densità, ecc.

L'algoritmo Random Forest riceve quindi i dati di addestramento classificati manualmente, ossia i profili e le corrispondenti "caratteristiche" che sono state identificate come stabili o instabili. L'algoritmo "impara" quali caratteristiche sono decisive per la stabilità o l'instabilità e ordina i profili simulati nella categoria "stabile" o "instabile" a seconda delle proprietà dello strato debole e del pannello sovrastante. Il confronto con il profilo "reale" e con i dati delle valanghe mostra che l'instabilità viene riconosciuta in modo abbastanza affidabile. Gli autori dello studio intravedono la possibilità di incorporare tali metodi negli avvisi operativi di pericolo valanghe nel prossimo futuro.

È interessante notare che l'instabilità viene generalmente riconosciuta anche se i profili simulati del modello del manto nevoso sono generati con dati meteorologici interpolati spazialmente, il che significa che sono in qualche modo sfocati e non riflettono le differenze microclimatiche su piccola scala. I fattori meteorologici più decisivi per gli strati deboli vengono comunque catturati.

Inoltre, è interessante vedere quali dei 34 elementi caratteristici sono più importanti per la classificazione stabile/instabile. Nell'algoritmo Random Forest, le seguenti 6 sono le più centrali:

Il tasso di deformazione viscosa
La "lunghezza critica di taglio" (lunghezza che viene segata in un test con sega da propagazione fino a quando non si verifica la rottura)
Profondità di penetrazione dello sci (fortemente dipendente dalla densità dei primi 30 cm del manto nevoso)
La sfericità dei grani nello strato debole (quanto sono rotondi i grani?).)
Il rapporto tra la densità media del manto nevoso e la dimensione dei grani
La dimensione dei grani nello strato debole

Tutte le altre caratteristiche hanno un'influenza minima o nulla sul risultato. Questo porterà sicuramente a molte altre domande di ricerca. La Random Forest può essere "intelligente", ma non può spiegare esattamente perché sceglie queste caratteristiche. Sono necessari altri approcci per spiegarlo in termini di fisica della neve.

Il secondo preprint SLF in corso, "Data-driven automated predictions of the avalanche danger level for dry-snow conditions in Switzerland", utilizza anch'esso una classificazione Random Forest. In questo caso, il livello di pericolo di valanghe viene determinato automaticamente in base ai dati meteorologici e ai calcoli del modello del manto nevoso. Il risultato è positivo nel 70-80% dei casi analizzati. Tuttavia, ci sono alcune differenze regionali e il tutto funziona un po' meno bene se prevale un problema di neve vecchia. Le situazioni di neve bagnata sono state escluse a causa dei particolari processi valanghivi. I dati di addestramento con cui il modello "impara" comprendono gli inverni dal 1997-98 al 2017/18, il modello è stato testato con i dati degli ultimi due inverni (2018/19 e 2019/20)

Anche in questo caso, sono numerose le caratteristiche e i parametri caratteristici che sono a disposizione della Foresta Casuale per assegnare il livello di pericolo appropriato a un giorno. Anche in questo caso, è emerso che solo un numero relativamente limitato di caratteristiche influisce in modo significativo sulla classificazione: vari parametri relativi alla neve fresca e alla deriva, il tasso di innevamento, la profondità di penetrazione dello sciatore, la "lunghezza critica di taglio", così come l'umidità relativa, la temperatura dell'aria e gli indici di stabilità. In linea di massima, esattamente gli stessi elementi che vengono incorporati pesantemente anche nella previsione valanghe "manuale"

.

I dati del terreno, i parametri meteorologici e la modellazione del manto nevoso forniscono numerosi input per varie applicazioni di AI sulle valanghe. — I dati del terreno, i parametri meteorologici e la modellazione del manto nevoso forniscono numerosi input per diverse applicazioni di AI sulle valanghe.

LH

In entrambi i casi, gli studi mirano a utilizzare i modelli nivologici e meteorologici per fare dichiarazioni automatiche sulla stabilità del manto nevoso e sul rischio di valanghe. I vantaggi sono evidenti: nelle Alpi, che sono davvero ricche di dati sul terreno, questi sistemi potrebbero migliorare ulteriormente la risoluzione spaziale delle informazioni e i servizi di allerta avrebbero a disposizione uno strumento in più. Nelle regioni del mondo in cui i servizi di allerta sono assenti o scarsamente attrezzati, un'applicazione operativa fornirebbe un aumento ancora più significativo delle informazioni. In questo contesto, ci si chiede se e in che misura i metodi supportati dall'IA rappresentino un guadagno pratico in termini di informazioni rispetto ai metodi "classici", dato che la banca dati complessiva è solitamente molto più povera al di fuori delle Alpi. In alcune circostanze, potrebbe non essere nemmeno possibile calcolare con variabili come la sfericità o i tassi di deformazione, ma limitarsi al vento e alla neve fresca nelle previsioni del tempo.

AI: teoricamente intelligente, praticamente non sempre

Un principio importante in qualsiasi forma di statistica, "intelligente" o meno, è: garbage in, garbage out (GIGO). Non importa quanto sia intelligente l'algoritmo di ML: se lo si nutre di spazzatura, cioè di dati scadenti, sputerà anche spazzatura. Ciò che possiamo imparare dai dati con l'aiuto dei metodi di apprendimento automatico è buono solo quanto i dati stessi. Da un lato, gli algoritmi di ML riproducono gli errori che possono essere contenuti nei dati e, dall'altro, possono non imparare ciò che dovrebbero imparare se i dati lasciano troppo margine di manovra. Molti algoritmi di ML, tra cui le foreste casuali degli studi sopra citati, sono anche modelli cosiddetti a scatola nera: non possiamo comprendere appieno come sia stato creato il risultato finale.

I dati utilizzati per gli studi sopra citati sono ovviamente l'opposto dei dati spazzatura. Tuttavia, i profili di neve registrati da osservatori umani, le valutazioni di stabilità e i livelli di pericolo determinati dal servizio di allerta valanghe contengono un certo margine di interpretazione. Le previsioni, per definizione, non sono sempre completamente accurate e la determinazione "corretta"del livello di pericolo può essere discussa più o meno all'infinito. Non è un compito banale definire un valore assoluto giusto e sbagliato, o stabile e instabile, con questo tipo di dati di addestramento. Il computer lo fa in linea di principio grazie al suo modo di pensare naturalmente binario, ma questo non lo rende più giusto o sbagliato.

Le caratteristiche dei dati di input e la pulizia dei dati sono un argomento importante in entrambi i preprint citati. Ad esempio, il modello dei livelli di rischio è stato "appreso" una volta con tutti i dati e una volta con un set di dati puliti, che presumibilmente contiene meno previsioni errate e ha anche un bias leggermente inferiore. L'algoritmo ha "imparato" come le condizioni meteorologiche e la copertura nevosa simulata negli ultimi 20 anni si relazionano con il livello di pericolo previsto in Svizzera. Le valanghe sono fisicamente molto complesse e la previsione delle valanghe è una sorta di esempio della straordinaria capacità del cervello umano di trarre conclusioni rilevanti da informazioni incomplete e multidimensionali. Proprio per questo la ricerca sulle valanghe come campo di applicazione dell'intelligenza artificiale è molto eccitante, ma anche molto impegnativa. Non vediamo l'ora di vedere dove ci porteranno gli sviluppi nei prossimi anni!

Molti ringraziamenti a Stephanie Mayer e Frank Techel (entrambi SLF) per il loro contributo a questo articolo!