Sztuczna inteligencja wydłuża czas reakcji na katastrofy naturalne

Rok 2026 zapisuje się jako jeden z najbardziej dotkliwych pod względem katastrof naturalnych w ostatnich dekadach. W tym kontekście coraz więcej zespołów naukowych i służb ratunkowych na świecie testuje systemy sztucznej inteligencji, które nie zatrzymują żywiołu, ale dają ludziom dodatkowe minuty lub godziny na reakcję, zanim uderzy pożar, burza czy powódź.

Kamery, które nie śpią

W Kalifornii system ALERTCalifornia wykorzystuje ponad tysiąc kamer rozstawionych na wzgórzach i szczytach w całym stanie. Kamery obracają się o 360 stopni co kilka minut i są wspomagane oprogramowaniem AI, które automatycznie wykrywa dym i alarmuje dyspozytorów straży pożarnej, czasem zanim ktokolwiek zdąży zadzwonić pod numer alarmowy.

Straż pożarna Kalifornii korzysta z systemu na wszystkich stanowiskach dowodzenia. Suzann Leininger, analityczka informacji w Cal Fire, opisuje różnicę między ręcznym a automatycznym monitoringiem kamer rozrzuconych po całym stanie.

Żeby samodzielnie wykrywać dym, musiałabym siedzieć tu cały dzień, codziennie, 24 godziny na dobę. Ale jeśli wykrywanie może odbywać się automatycznie, to naprawdę pomaga, bo system w zasadzie patroluje bez przerwy, 24/7 - Suzann Leininger, analityczka informacji, Cal Fire

Godzina wcześniej przed burzą

W Hongkongu zespół z Hong Kong University of Science and Technology zbudował model AI oparty na głębokiej sieci dyfuzyjnej, który analizuje w czasie rzeczywistym dane z satelitów geostacjonarnych. Dzięki temu naukowcy uzyskują dodatkową godzinę wyprzedzenia w prognozowaniu groźnych burz w porównaniu z dotychczasowymi metodami.

Budujemy głęboki model dyfuzyjny i wprowadzamy do niego dane satelitarne geostacjonarne w czasie rzeczywistym. Dzięki temu możemy wykryć początek konwekcji wcześniej niż inne metody i zyskać dodatkową godzinę ostrzeżenia przed burzą - prof. Su Hui, Hong Kong University of Science and Technology

Zespół podkreśla, że nawet dodatkowa godzina nie osłabi samej burzy, ale daje władzom i mieszkańcom czas na ostrzeżenia, zmianę planów dotyczących aktywności na zewnątrz, zarządzanie ruchem drogowym czy skierowanie sił ratunkowych w rejony zagrożone powodzią.

Mapowanie zniszczeń po katastrofie

Wczesne ostrzeganie to dopiero pierwszy etap. Gdy powódź, pożar lub trzęsienie ziemi już się wydarzy, kluczowe staje się pytanie, które obszary są najbardziej zagrożone i gdzie w pierwszej kolejności skierować siły ratunkowe. Tu z pomocą przychodzi Humanitarian OpenStreetMap Team, organizacja wykorzystująca platformę fAIr oraz aplikację MapSwipe do analizy zdjęć satelitarnych i wykrywania zniszczonych budynków.

Modele uczenia maszynowego wskazują prawdopodobne lokalizacje zniszczonych budynków, a wolontariusze na całym świecie weryfikują te wskazania w aplikacji MapSwipe. W jednej z takich akcji w ciągu zaledwie czterech dni w mapowanie zaangażowało się ponad 600 osób.

Ręczne mapowanie wciąż daje najlepszą jakość. Czasem jednak ważne jest przybliżone określenie, gdzie znajdują się budynki i ilu ludzi mieszka w danym obszarze, i wtedy właśnie modele AI i uczenia maszynowego odgrywają swoją rolę - Leen D'hondt, dyrektorka ds. technologii i danych, Humanitarian OpenStreetMap Team

Człowiek wciąż podejmuje decyzję

Żaden z opisanych systemów nie działa w pełni autonomicznie. Kamery ALERTCalifornia przekazują dyspozytorom lokalizację i procentowy poziom pewności, że wykryty obraz to rzeczywiście dym, a decyzję o wysłaniu jednostek podejmuje człowiek. Podobnie w Hongkongu prognoza z modelu AI trafia do meteorologów, a przy mapowaniu zniszczeń wolontariusze ręcznie zatwierdzają lub odrzucają wskazania algorytmu.

Ten schemat, w którym AI przyspiesza wykrywanie i wstępną analizę, ale ostateczna weryfikacja i decyzje należą do ludzi, powtarza się we wszystkich trzech przykładach. Autorzy podkreślają, że algorytmy nie są wolne od błędów: system kamer w Kalifornii zdarzało się mylić chmury z dymem, co wymagało dalszego douczania modelu na podstawie korekt od pracowników.

Dla polskich służb ratunkowych i samorządów, które coraz częściej mierzą się z gwałtownymi zjawiskami pogodowymi, opisane wdrożenia pokazują kierunek rozwoju systemów wczesnego ostrzegania: nie zastąpienie ludzi, lecz skrócenie czasu między pierwszym sygnałem zagrożenia a decyzją o ewakuacji czy skierowaniu sił ratunkowych. Skala inwestycji, jak ponad tysiąc kamer w samej tylko Kalifornii, pokazuje też, że tego typu infrastruktura wymaga wieloletniego finansowania publicznego.