Forbes skriver om hur forskaren Damian Borth, bland annat ordförande i Artificial Intelligence & Machine Learning department på University of St. Gallen i Schweiz, argumenterar för att AI och machine learning skulle kunna hjälpa till att förebygga framtida naturkatastrofer.
Han förklarar att det sker en typ av utökning av deep learning arkitektur i riktning mot multi-model signal processing. Målet är att använda flera olika modaliteter som input för att sedan sammanställa det till en typ av arkitektur.
Satellitbilder tillsammans med denna typ av arkitektur kan skapa en exakt bild av till exempel hur en tsunami eller översvämning rör sig, var en skogsbrand befinner sig och hur vindar kan komma att påverka dess spridning. Informationen bidrar till att nödpersonal tidigt kan befinna sig på rätt plats med tydliga instruktioner om var och hur hjälp behövs, förebygga spridning av katastrofen, hur många byggnader som är inblandade och om det är reducerad framkomlighet, om bil eller båt bör användas. Forskning ska även utvecklas kring områden som jordbävningar och jordskred i och med att det är katastrofer som förekommer allt oftare idag.
Här förklarar även Rongjun Qin, Geospatial Engineer och Data Analytics Collaborator på Ohio State University, hur AI & machine learning tillsammans med analys av satellitbilder till exempel kan hjälpa till att hindra byggnader från att kollapsa vid jordbävningar.
Genom att använda och analysera satellitbilder med hjälp av AI och machine learning kan framtida naturkatastrofer upptäckas i tid, förebyggas och planeras inför. Det kan framför allt minska den negativa påverkan på ett lands ekonomi men även minska antalet drabbade individer och skador på byggnader.
[:]
