Как технологии ML используют для прогноза экологических проблем
Фото: Midjourney
Изучаем, как с помощью ML-моделей прогнозируют распространение вулканического пепла после извержения вулканов на Камчатке, анализируют популяции краснокнижных животных и мониторят качество воздуха
Глоссарий
Литосфера — это твердая внешняя оболочка Земли, она состоит из коры и твердого верхнего слоя мантии. Толщина литосферы неоднородна, в ее строении выделяют подвижные области и относительно стабильные платформы.
Вулкан — отверстие в сейсмически активных зонах земной коры, через которое на поверхность выбрасывается смесь газов, пепла, пара, каменных пород, скального грунта и наполовину расплавленной породы — лавы.
Извержения вулканов — геологические чрезвычайные ситуации, которые часто вызывают стихийные бедствия. Облака пепла могут распространяться на сотни километров. Измельченная магма, пыль и песок покрывают дома камчатцев и производства, леса и пастбища оленей. В вулканическом пепле содержатся токсичные вещества, которые могут нанести существенный вред организму. Контакт с пеплом приводит к затруднению дыхания, обострению респираторных заболеваний, раздражению кожи и глаз, а также негативно влияет на сердечно-сосудистую систему. А если пепел попадет в источники водоснабжения, то питьевой воды могут лишиться целые населенные пункты. Иногда пепел нарушает работу сетей связи, так что не получается позвонить близким или спасателям.
Как машинное обучение прогнозирует распространение вулканического пепла после извержения вулканов
Вулканы Камчатки — активные, спящие, потухшие — удивительно красивы. Можно сказать, что они управляют жизнью Камчатского полуострова. От их извержений и выбросов зависит многое: благополучие жителей, сельское хозяйство, туризм, авиаперевозки. Для почти 300 тыс. жителей Камчатского края и туристов критически важна возможность заранее получать сведения о введении режима чрезвычайной ситуации и необходимости эвакуации.
Yandex Cloud, «Яндекс Погода» и «Геоинтеллект» совместно со Школой анализа данных (ШАД) и Геофизической службой РАН создали сервис, отображающий распространение облаков вулканического пепла в виде интерактивной карты. Сейчас он работает на Камчатке, но может быть адаптирован для любой точки мира. В основе проекта — технология машинного обучения (machine learning, ML), с помощью которой распознают данные с камер наблюдения за вулканами и объединяют информацию о выбросах.
С помощью интерактивной карты вулканологи прогнозируют степень опасности облака и его траекторию на 24 часа вперед, а власти могут заранее объявить о введении режима чрезвычайной ситуации и эвакуировать население. На первом этапе работы программы происходит определение уровня сейсмической активности вулканов с помощью нейронных сетей — ML-модель обучили распознавать на видео класс сейсмической активности, на основе которого можно сделать вывод о наличии извержения и его примерной высоте. Для обучения использовали архивы с историческими данными и видеоматериалами, которые в Геофизической службе РАН собирали с 2000 года.
В режиме реального времени видео с нескольких камер, расположенных около вулканов, загружаются в ML-модель. Если произошел выброс облака пепла, модель оценивает класс выброса и передает эту информацию в математическую модель рассеивания частиц. «Яндекс Погода» формирует таблицу с данными о времени выброса, его координатах, высоте и значении концентрации облака. После этого специалисты компании «Геоинтеллект» визуализируют информацию на «Яндекс Картах».
С помощью сервиса можно узнать о распространении пепла на семи вулканах Камчатки. Дарья работала над изучением уровня сейсмической активности вулканов Шивелуч, Ключевской и Безымянный.
Как еще применяют ML в решении вопросов, связанных с экологическими проблемами
Сегодня машинное обучение все чаще используют для решения экологических проблем: защита редких биологических видов, загрязнение воздуха и изменение климата.
Специалисты Института трансляционной аналитики данных в Университете штата Огайо создали платформу с открытым исходным кодом Wildbook для сбора и анализа фотографий. Алгоритм может исследовать характерные черты биологических видов, например окрас пятен или длину плавника. Платформа отсканировала 11 тыс. изображений китовых акул, чтобы помочь специалистам идентифицировать отдельных особей и следить за их перемещениями. Благодаря обновленным данным о размере популяции Международный союз охраны природы изменил природоохранный статус китовой акулы с «уязвимого» на «находящийся под угрозой исчезновения».
Под защитой Сайлюгемского национального парка, особо охраняемой природной территории на Горном Алтае, находятся снежный барс и алтайский горный баран. Вместе со студентами ШАД специалисты Yandex Cloud разработали нейросеть, которая способна распознавать десять видов животных на изображениях и видеозаписях, получаемых с помощью размещенных на территории нацпарка фотоловушек. В числе этих видов — внесенные в Красную книгу ирбисы, или снежные барсы. Нейросеть находит животных на фото и видео в десятки раз быстрее, чем это под силу человеку. Технология позволит специалистам более глубоко и продуктивно изучать ирбисов в их естественной среде обитания и поможет находить новые решения для защиты популяции. На данный момент на платформу загружено более 150 Гб снимков с фотоловушек.
Подробнее на РБК:
https://trends.rbc.ru/trends/industry/65ebb5ee9a79474e7274db8c?from=copy
Подсчет пингвинов и борьба со свалками: как нейросети сохраняют экологию
Фото: Unsplash
Защита окружающей среды — трудоемкая задача, которая требует много времени и ресурсов. Но часть задач могут взять на себя нейросети. Рассказываем об интересных разработках, которые помогают сохранить планету
Фото: Unsplash
1. Прогноз состояния воздуха
Среди факторов окружающей среды самая большая угроза для здоровья людей — это загрязнение воздуха. По данным Всемирной организации здравоохранения, ежегодно оно убивает около 7 млн человек. Причем 90% людей в мире дышат воздухом, превышающим рекомендованные ВОЗ лимиты загрязнения.
Однако оценивать уровни загрязнений чаще всего приходится «по факту»: прогнозировать эти показатели сложно. На состав воздуха влияет масса факторов — выхлопные газы, промышленные выбросы, сжигание угля, пыль и, конечно, метеорологические условия. Причем каждое из загрязняющих веществ распределяется в атмосфере по-своему.
У большинства моделей прогнозирования есть серьезные недостатки, которые мешают широко применять их для долгосрочных прогнозов, объясняют в Сибирском федеральном университете (СФУ). Чтобы решить эту проблему, исследователи из СФУ применили нейронные сети в сочетании с методами математического моделирования.
Для расчетов ученые использовали исторические данные о концентрации основных веществ-загрязнителей воздуха — диоксида и оксида азота, диоксида серы и оксида углерода. Показатели были собраны на станциях мониторинга атмосферы в Красноярске в 2017–2019 годах. Эту информацию сопоставили с десятью видами метеоданных, включая температуру, влажность и скорость ветра.
В результате удалось разработать архитектуру модели для обучения нейронной сети. Созданная модель повышает точность прогнозов и автоматизирует оценку рисков. При этом она способна предсказать большинство неожиданных изменений уровней загрязнения.
Фото: Unsplash
2. Борьба с незаконными свалками
Число несанкционированных свалок в России ежегодно увеличивается более чем на 30%. «Сейчас эту проблему решают с помощью интерактивных интернет-карт. На них любой пользователь может обозначить место несанкционированной свалки. Люди могут также собирать статистику вручную по картам земной поверхности, используя спутниковые сервисы. Но эти методы достаточно трудоемки и требуют временных и финансовых ресурсов», — говорит магистрант кафедры «Вычислительная математика, механика и биомеханика» Пермского Политеха Вадим Данелян.
По его словам, сейчас нет комплексного инструмента для выявления, учета и мониторинга свалок. Поэтому Данелян вместе с коллегами по вузу разрабатывает приложение на основе нейросетей, которое сможет быстро находить незаконные свалки и отслеживать их состояние в динамике.
Нейросети находят нужные объекты на спутниковых снимках земной поверхности, определяют свалку, ее координаты и площадь. Точность оценки достигает 89%. Решение также позволяет определять кадастровый номер территории и ее владельца.
Конечным продуктом станет web-приложение, способное отслеживать данные по свалкам в любом регионе мира. Пользоваться решением смогут в том числе экологи, государственные органы и операторы по обращению ТКО. Ожидается, что первую версию приложения запустят в 2021 году.
Фото: Unsplash
3.Мониторинг Байкала
В 1945 году на Байкале запустили проект по экологическому мониторингу под названием «Точка № 1». 75 лет подряд ученые регулярно — раз в семь-десять дней — берут пробы воды с глубины от нуля до 800 м, а затем анализируют содержащийся в воде фито- и зоопланктон. Эти данные нужны, чтобы отслеживать и прогнозировать состояние экосистемы озера, оценивать влияние климатических изменений.
«Точка № 1» попала в Книгу рекордов России как самый длительный проект по регулярному эко-мониторингу в истории науки. Но недавно этот проект оказался под угрозой закрытия. Проблема — в устаревшей и слишком трудоемкой технологии: фито- и зоопланктон анализируют вручную с помощью микроскопов. Специалист должен различать больше 400 видов микроорганизмов, а для этого необходимо не менее десяти лет непрерывной практики. Причем проект требует несколько десятков подготовленных специалистов.
Чтобы продолжить работу, НИИ Биологии Иркутского государственного университета и Фонд «Озеро Байкал» решили создать интеллектуальную цифровую систему, способную автоматизировать распознавание микроорганизмов. К инициативе подключилась платформа Yandeх.Cloud и компания Maritime AI, которая занимается алгоритмами машинного обучения для изучения морских экосистем.
Объединенная команда создаст нейросетевой алгоритм для автоматического анализа проб воды, распознавания и классификации микроорганизмы. Для обучения алгоритма ученые предоставили больше тысячи снимков каждого вида планктона. На их основе эксперты разрабатывают механизм классификации.
Изображения микроорганизмов будут отправлять в Yandex.Coud прямо с микроскопов лаборатории. Предполагаемая точность классификации с помощью алгоритма — до 99%. Тем не менее, специалисты НИИ Биологии будут контролировать качество его работы.
Фото: Unsplash
4.Наблюдение за дикими животными
Отслеживать популяции животных, которые находятся под угрозой исчезновения, всегда сложно. Как правило, речь идет об обширных и труднодоступных для человека территориях.
Яркий пример — колонии императорских пингвинов в Антарктиде. Около 70% их популяции могут исчезнуть в ближайшие 30 лет. Но чтобы точно оценить ситуацию и предложить какие-то меры, ученым нужны полные данные о состоянии и локации колоний.
Сложность в том, что подсчитать пингвинов с помощью обычной съемки с воздуха или фотоловушек получается не всегда. Часто животные стоят слишком близко друг к другу. На фото они превращаются в слабо различимую черно-белую массу.
Поэтому для точного подсчета применяют нейронные сети и компьютерное зрение. Изобретение принадлежит компании Gramener, которая занимается обработкой данных и участвует в программе Intel для создателей искусственного интеллекта. Модель анализирует плотность групп пингвинов по изображениям и оценивает их численность.
Нейросеть работает с изображениями из проекта Penguin Watch Project. Это часть онлайн-платформы Zooniverse, которая объединяет волонтеров, желающих помочь профессиональным исследователям.
Технологии Gramener применяют не только для подсчета пингвинов. Компания также использовала искусственный интеллект и аналитику данных для оценки популяция 12 видов лосося. Кроме того, она участвовала в проекте по наблюдению за дикими слонами. Машинное обучение и нейросети использовалось для определения низкочастотных звуков, издаваемых животными.
Фото: Unsplash
5.Слежка за браконьерами
Нелегальный рынок древесины превышает показатель $152 млрд в год. Но чтобы бороться с незаконными вырубками, не хватает ресурсов, прежде всего — персонала.
Недостающих специалистов может частично заменить искусственный интеллект. Компания Outland Analytics, участник акселератора NVIDIA, создала систему, которая прослушивает лес и обнаруживает неавторизованные транспортные средства и бензопилы.
Система состоит из небольших устройств, размещаемых на деревьях, и алгоритма распознавания звука. Периферийное устройство размером с небольшой рюкзак имеет собственную солнечную панель и антенну, с помощью которой подключается к сетям сотовой связи. Каждый такой гаджет собирает звуковые сигналы с площади около 60 га и отправляет информацию в облако.
Нейронная сеть получает и анализирует звуковую дорожку. Если обнаружены признаки браконьеров, сеть посылает электронное письмо диспетчеру или текстовое сообщение рейнджеру. После этого они могут выехать на место, не тратя силы на поиск браконьеров по всему лесному массиву.
Подробнее на РБК:
https://trends.rbc.ru/trends/green/6124c7fe9a7947c0b6ed2e51?from=copy
Как нейросети помогают бороться с мусором в России
Фото: Nevlabs
В рамках нацпроекта «Экология» государство поставило амбициозную цель: к 2030 году в России должно сортироваться 100% всех отходов. Разбираемся, как с этой задачей поможет справиться искусственный интеллект
Об авторе: Александр Неволин, основатель и директор компании Nevlabs, разработчика промышленных сортировщиков отходов на базе искусственного интеллекта, резидента «Сколково».
Как сортируются российские отходы сегодня
Существует два взаимодополняющих подхода к сортировке отходов. Первый — когда она выполняется на бытовом уровне силами населения, второй — на специализированных заводах.
В идеальной ситуации решение мусорного кризиса остается за повсеместным и, главное, грамотным раздельным сбором сырья. Это упрощает выделение полезных фракций для переработки и повышает ее рентабельность.
После принятия в 2019 году закона о раздельном сборе отходов в России постепенно стала появляться соответствующая инфраструктура. Наиболее массовое решение — это внедрение двухконтейнерной системы сбора отходов. Она подразумевает установку двух мусорных баков вместо одного общего: синего цвета для вторсырья (стекла, бумаги, алюминия, некоторых видов пластика), и серого — для смешанных отходов.
Зеленая экономика
Как сортировать мусор дома. Краткая инструкция
О сложившейся культуре раздельного сбора отходов на уровне страны говорить рано. Во многих городах России все так же стоят контейнеры с одним общим отсеком. А там, где устанавливаются баки для раздельного сбора, населению может не хватать знаний о правильной сортировке. Например, многие считают, что бумажные стаканчики перерабатываются, однако зачастую они сделаны из целлюлозы, покрытой слоем тонкой пленки — из-за смеси материалов их нельзя отправить в макулатуру.
Второе решение — развитие промышленной сортировки и открытие новых мусоросортировочных заводов. С 2019 года сортировочные комплексы стали обязательным пунктом в цепочке утилизации отходов, результаты чего видны уже сегодня. По данным «Российского экологического оператора», на август 2021 года в ряде регионов уровень сортировки отходов достигал более 70%, а в Московской и Орловской областях — все 100%.
Зеленая экономика
Бонус-эпизод «Зеленого» подкаста РБК Тренды: мусорная реформа в регионах
Нельзя утверждать, что преодолеть мусорный кризис нам поможет только один из описанных подходов: сортировка как силами населения, так и промышленная должны развиваться параллельно. Кроме того, в российской мусорной отрасли стало формироваться новое направление — использование искусственного интеллекта в распознавании и сортировке отходов.
Как ИИ распознает мусор
В мусоросортировочной сфере искусственный интеллект реализуется в виде сверточных многослойных нейронных сетей. Как и биологическая нейросеть, искусственная распознает объекты и их признаки слой за слоем, от простого к сложному. Сначала она определяет самые простые образы, к примеру, точки и линии. Далее нейронная сеть находит в них элементарные формы и геометрические фигуры. Так происходит вплоть до последнего слоя, на котором выдается ответ, какой объект находится перед нами.
Чтобы нейронная сеть научилась различать отходы, используется «обучение с учителем». При этом подходе люди предварительно вручную размечают фотографии отходов, указывая, что на них изображено — прозрачная ПЭТ-бутылка, полиэтиленовая пленка, бумага и так далее. На каждый вид отходов требуется от 5 тыс. до 10 тыс. примеров. После нейронная сеть обучается, когда ей последовательно показываются размеченные фотографии. В этих примерах она находит закономерности, которые использует в распознавании новых отходов.
В России развивается сразу несколько технологий сортировки отходов, которые используют в своей основе искусственный интеллект — промышленная сортировка, мусорные баки и фандоматы.
Зеленая экономика
Инновации мусорного сектора: фандоматы, датчики и умная сортировка
На что ИИ способен в сортировке отходов
Промышленная сортировка
Наиболее современные мусоросортировочные комплексы комбинируют несколько технологий, которые позволяют автоматизировать процессы.
Сначала мусор попадает в разрыватель пакетов. Для отсева органических отходов используются грохоты — устройства, которые отделяют остатки продуктов питания и мелкие фракции от остальных отходов.
Затем мусор отправляется на основные сортировочные линии. Наибольшую производительность на этом этапе показывают пневматические сортировщики — в конце конвейера располагается ряд форсунок, которые сжатым воздухом отстреливают выбранные фракции. Такие установки сортируют до 15 т отходов в час, а благодаря применению нейронных сетей вместо дорогостоящей гиперспектральной камеры они становятся доступными гораздо большему кругу пользователей. Если традиционные оптические сортировщики окупаются за 10–15 лет, то установки на основе нейронных сетей всего за год.
Несмотря на высокую производительность пневматических сортировщиков, у них может наблюдаться небольшой процент засора. С его устранением отлично справляются роботы, которые с помощью вакуумной присоски захватывают с конвейера нужную фракцию и перемещают ее в бак.
Оптимальная схема автоматического мусоросортировочного завода выглядит следующим образом: отходы проходят через разрыватель пакетов и грохот, который отсеивает мелкую фракцию. Основной поток грубо сортируется пневматическими сортировщиками, а небольшой засор устраняется роботами. На конечном контроле все же придется оставить человека, однако общая доля ручного труда в этой сфере сокращается на 90%.
Еще одно новое направление в промышленной сортировке мусора — это применение искусственного интеллекта в управлении заводом в целом. Например, если на каком-то участке возник затор из мусора, без ИИ оператор замедляет предыдущие конвейеры или вовсе временно их останавливает. Сегодня над ключевыми конвейерами можно установить сканер отходов, который будет анализировать проходящий под ним поток и сообщать эти сведения на центральный сервер завода. Если система увидит, что по конвейеру пошел слишком большой поток мусора, она сможет самостоятельно принять решение о замедлении тех или иных транспортеров. Таких ситуаций может быть множество, равно как и путей их «разруливания».
Зеленая экономика
Уберизаторы мусора. Как энтузиасты приучают россиян сортировать отходы
«Умные» мусорные баки
Искусственный интеллект помогает сортировать отходы и на бытовом уровне. Например, компания TrashBack взяла обычный мусорный бак и встроила в его крышку модуль технического зрения. Он работает автономно на батарее и не требует дополнительного подключения к Интернету или электроэнергии.
Такой «умный» контейнер могут открыть только авторизованные в специальном приложении пользователи. Эта функция предназначена для контроля качества — если в бак попало что-то помимо принимаемого вторсырья, человеку приходит предупреждение в приложении или по почте.
Чтобы мотивировать людей сортировать отходы, за сданное вторсырье начисляются бонусы от компаний-партнеров, а также дается скидка на оплату ЖКХ по вывозу твердых коммунальных отходов.
Пока такой бак работает в тестовом режиме в подмосковном городе Реутов. Создатели проекта уверены, что технологию необходимо вводить во всей России. По их словам, это будет легко сделать в Москве, поскольку сами баки уже есть, необходимо только заменить обычную крышку модулем компании.
Фандоматы
Более усовершенствованный вид мусорных баков с интеллектом — это фандоматы. Первые автоматические приемники бутылок и банок появились в скандинавских странах еще в середине 1980-х годов, а сейчас они стоят там практически в каждом магазине. За каждую полезную фракцию фандомат выдает чек, которым можно расплатиться за продукты или обналичить на кассе.
В России подобные фандоматы разрабатывает компания WinBin. Схема работы схожая: бак открывается через приложение или по ссылке на сайте, далее нейронные сети и специальные датчики распознают тип сырья, за которое пользователю начисляются баллы. В больших фандоматах вторсырье спрессовывается в кипу для экономии места. Единственное значимое отличие от «умных» мусорных баков с технической точки зрения в том, что для работы фандомата необходимо подключение к электричеству.
Пилотной площадкой для тестирования фандоматов стала территория «МосТрансПроекта», также компания планирует сотрудничество с Московским метрополитеном.