人工智能三小时内识别台湾地震引发的7000处滑坡，助力高效灾害响应

2024年4月3日，台湾东部海岸发生了自25年前以来最强的一次7.4级地震。尽管严格的建筑标准使大多数建筑物得以幸存，但山区和偏远村庄却遭受了严重的山体滑坡影响。面对这类大规模且难以进入的受灾区域，救援人员通常会依赖卫星图像来确定受影响的地区并优先进行救助。 研究人员发现，通过人工识别卫星图像中的山体滑坡需要大量时间，而时间在灾害响应中至关重要。为此，剑桥大学地球科学系和地理系的研究人员洛伦佐·纳瓦（Lorenzo Nava）及其国际团队开发了一种基于人工智能的方法，能够在三小时内自动识别出数千处山体滑坡，从而大幅提升救灾效率。 纳瓦的工作不仅仅是为了快速检测山体滑坡，还旨在理解这些灾害是如何发生的，并最终预测其发生。他所在的剑桥大学复合型灾害研究组（CoMHaz），由地理和地球科学系的自然灾害教授马西米利安·范·威克·德弗里斯（Maximillian Van Wyk de Vries）领导，该团队利用卫星图像、计算机模拟和实地考察数据来寻找山体滑坡的踪迹，分析原因并预测未来可能出现的位置。 山体滑坡通常由大地震或强降雨引起，人类活动如砍伐森林和在不稳定斜坡上建房也往往加剧灾害的影响。在某些环境中，山体滑坡可能引发连锁反应，如快速移动的泥石流或严重洪水，进一步扩大破坏范围。 为了避免这种连锁效应，纳瓦及其团队正在训练AI识别两种卫星图像——光学图像和雷达图像。光学图像是地表的真实图像，而雷达图像可以通过云层并在夜间获取数据，但其图像往往难以解读，表面特征可能显得扭曲。AI的协助能够帮助研究人员从这些复杂图像中提取关键特征，识别潜在的山体滑坡。 在2024年台湾地震后，纳瓦的方法进行了初步测试，结果非常有希望。他在不到三个小时内检测到了超过7,000处山体滑坡，即使是在云层覆盖的情况下也能准确定位。然而，纳瓦承认仍有许多工作要做，不仅需要提高模型的准确性，更需增强其透明度，以便决策者能够理解和采纳AI生成的信息。 为应对这一挑战，纳瓦与欧洲空间局（ESA）、世界气象组织（WMO）、国际电信联盟的人工智能向善基金会和全球自然 hazard抗灾人工智能解决方案倡议等机构合作，发起了一场数据科学挑战，呼吁广泛编程社区的成员参与改进该模型。他们希望通过添加一些解释功能，如显示图像中滑坡可能性的地图，帮助用户更好地理解AI的输出结果。 “在像灾害响应这样高风险的情境中，相信AI生成的结果是非常重要的。通过这个挑战，我们希望增加模型决策过程的透明度，让现场的决策者能够更有信心和速度地采取行动。”纳瓦表示。 业内人士认为，纳瓦等人开发的AI方法具有重大意义，特别是在提高灾害响应速度和精准度方面展现出巨大潜力。剑桥大学在此领域的研究不仅体现了其在自然灾害科学方面的领先地位，还突显了跨学科合作的重要性。通过与国际组织的合作，这项研究有望在全球范围内推广，为更多的地方提供快速、可靠的山体滑坡检测工具。