Using AI for disaster management

AUG 11, 2021

ภัยพิบัติมักเกิดขึ้นจากการเปลี่ยนแปลงทางธรรมชาติ ซึ่งดูเหมือนจะรุนแรงและต่อเนื่องมากขึ้นเรื่อย ๆ จากภาวะโลกร้อนในปัจจุบัน ยิ่งในภูมิประเทศหรือภูมิอากาศของบางแห่งส่งผลให้เกิดภัยพิบัติซ้ำเป็นประจำ เอไอมีความสามารถในการเรียนรู้ข้อมูลการเกิดภัยพิบัติต่าง ๆ โดยหน่วยงานที่เกี่ยวข้องเก็บบันทึกไว้ และนำมาวิเคราะห์ความน่าจะเป็นในการเกิดภัยพิบัติครั้งต่อไป ซึ่งมีความแม่นยำสูงและเชื่อถือได้ เมื่อรู้ข้อมูลก่อนเราก็สามารถเตรียมแผนการรับมือได้ก่อน โดยเฉพาะเจ้าหน้าที่กู้ภัยด่านหน้าที่ต้องเสี่ยงอันตรายให้ความช่วยเหลือประชาชน ก็จะทำงานได้อย่างมีประสิทธิภาพยิ่งขึ้น ตัดสินใจวางแผนได้อย่างแม่นยำขึ้นผ่านการวิเคราะห์ข้อมูลและศึกษาผลการคาดการณ์จากความอัจฉริยะของเอไอ

ข้อมูลภูมิศาสตร์ (Geospatial Data) ถูกนำมาป้อนให้เอไอได้เรียนรู้ ร่วมกับข้อมูลสภาพอากาศ ภาพถ่ายดาวเทียม ภาพจากโดรน ข้อมูลระบบเซ็นเซอร์ของอุปกรณ์ IoT และสถิติการเกิดภัยพิบัติ ซึ่งบางโมเดลสามารถทำนายการเกิดภัยพิบัติประเภทต่าง ๆ ได้ล่วงหน้าหลายปีเลยทีเดียว เช่น แผ่นดินไหว น้ำท่วม พายุ หิมะถล่ม เป็นต้น ยกตัวอย่างการเกิดพายุเฮอริเคน ภัยพิบัติอันดับต้น ๆ ที่สร้างความเสียหายมานักต่อนัก ถ้าเรารู้ผลการคาดการณ์จากเอไอล่วงหน้า จะช่วยให้เจ้าหน้าที่วางแผนจัดการได้ดีขึ้น เช่น การแจ้งเตือนแก่ประชาชนถึงวัน-เวลาที่จะเกิดพายุ การวางมาตรการอพยพประชากรในรัศมีกี่กิโลเมตร ควรเตรียมตัวย้ายออกจากพื้นที่ไปอยู่บริเวณไหนถึงจะปลอดภัยและสามารถรองรับคนได้ในจำนวนที่ต้องการ อีกทั้งยังสามารถแจ้งเตือนพื้นที่ที่ต้องเฝ้าระวังบริเวณใกล้เคียงได้อีกด้วย

McKinsey’s Nobel Intelligence หนึ่งในโปรเจ็คที่น่าสนใจ โดยทีมนักพัฒนาได้ดึงศักยภาพของเอไอมาช่วยประเมินค่าความเสียหายของอาคารหากเกิดภัยพิบัติ โดยอาศัยข้อมูลทางภูมิศาสตร์ สภาพอากาศ ภาพถ่ายดาวเทียมและข้อมูลอีกหลายด้าน ซึ่งจากปกติเจ้าหน้าที่ต้องใช้เวลาในการประเมินเป็นสัปดาห์ โมเดลตัวนี้ลดระยะเวลาเหลือเพียงแค่ไม่กี่นาที

WSL สถาบันวิจัยและป้องกันภัยหิมะถล่ม (WSL Institute for Snow and Avalanche Research) ประเทศสวิตเซอร์แลนด์ ได้ประยุกต์ใช้ระบบเซ็นเซอร์วัดระดับความสั่นไหวของพื้นดิน ร่วมกับแมชชีนเลิร์นนิ่ง  ในการป้องกันและตรวจจับแรงสั่นสะเทือนที่อาจนำไปสู่การเกิดหิมะถล่ม ซึ่งสัญญาณของการเกิดหิมะถล่มจะแตกต่างจากการเกิดแผ่นดินไหวทั่ว ๆ ไป ทำให้อัลกอริทึมเรียนรู้ความแตกต่างนี้ได้อย่างอัตโนมัติ และแน่นอนว่า ถ้าเราเก็บรวบรวมข้อมูลการเกิดหิมะถล่มต่อไปเรื่อย ๆ ความแม่นยำในการคาดการณ์ครั้งต่อไปก็จะแม่นยำมากขึ้น ซึ่งมีประโยชน์ต่อการรักษาชีวิตและทรัพย์สินของประชาชนได้มากเลยทีเดียว นอกจากนี้ กรมอุตุนิยมวิทยาได้มีการใช้ข้อมูลสภาพอากาศแบบเรียลไทม์รอบเทือกเขาแอลป์ พัฒนาโมเดลที่จำลองการถ่ายภาพรังสีระนาบเพื่อเฝ้าระวังอันตรายและการเกิดหิมะถล่มได้อีกด้วย

อีกหนึ่งความสามารถของเอไอที่เข้ามาช่วยแก้สถานการณ์ได้คือ Social Listening Tools โดยปกติเราจะใช้ฟังเสียงความคิดเห็นของผู้บริโภคผ่านช่องทางโซเชียลมีเดียต่าง ๆ อย่างเฟสบุ๊ค ยูทูป และทวิตเตอร์ เพื่อนำมาวิเคราะห์สร้างแผนการตลาด แต่ถ้าใช้ไอเดียนี้ในรูปแบบเดียวกันเพื่อจัดการกับสถานการณ์ภัยพิบัติก็จะมีประโยชน์ไม่น้อย โดยเราสามารถตั้งคีย์เวิร์ดหรือป้อนคำสั่งให้ดูแฮชแทกที่เกี่ยวข้องกับภัยพิบัติในช่วงเวลานั้น  เมื่อแสดงผลออกมาว่ามีบริเวณไหนที่ต้องการให้เจ้าหน้าที่เข้าไปช่วยเหลือ หรือมีการรายงานสถานการณ์สด ๆ ลงโซเชียลมีเดียแบบเรียลไทม์ ความอัจฉริยะและรวดเร็วของเอไอจะช่วยให้เราเห็นข้อมูลทั้งหมด และส่งเจ้าหน้าที่เข้าไปแก้ไขสถานการณ์ได้อย่างรวดเร็วและตรงจุด

สังคมทุกวันนี้ขับเคลื่อนด้วยข้อมูลและเอไอ ภัยพิบัติก็ไม่ใช่เรื่องไกลตัวอีกต่อไป หากเรารู้ข้อมูลก่อน ย่อมเตรียมตัวและวางแผนรับมือได้อย่างดีขึ้น แต่เอไอจะแม่นยำและมีประสิทธิภาพมากแค่ไหน ก็ขึ้นอยู่กับความร่วมมือจากหน่วยงานต่าง ๆ ตั้งแต่การช่วยกันจัดเก็บข้อมูล และแชร์ข้อมูลระหว่างองค์กร เพื่อให้เอไอเข้ามาช่วยมนุษย์ในการวางแผนและตัดสินใจแก้ปัญหาได้อย่างแม่นยำมากขึ้น

Natural disasters tend to be more severe nowadays because of the worsening climate change. AI can learn from disaster data gathered by related organizations. It was trained to analyse and predict the possibility of the next disaster which is quite accurate and reliable. The more in advance we know the prediction, the more advanced we can prepare how to deal with it. This goes especially for the related staff and rescue personnel, who can set a plan on how to help people effectively through the prediction of AI.

 

Geospatial Data together with weather data, aerial photograph, drone photography, IoT sensor, and disaster statistics were fed to train the AI model. Some models are trustable and accurate which can predict the next disaster 2-3 years in advance such as earthquake, flood, storm, avalanche, etc. One example of one of the most damaging disasters in the World is a Hurricane. If we already able to predict of when it will happen next, we can announce the notice  in the danger zone to prepare to evacuate on given date and time and inform where is a  safe place to quickly move to, level of damage, as well as inform people in closer proximity  to monitor and be aware of the situation.

 

Under McKinsey’s Nobel Intelligence, one interesting project developed was based on the potential of AI to evaluate the damage of buildings after a disaster by using  geo data, weather data and aerial photography. Normally, with manpower, it takes time around weeks but this model can show the result in just a few seconds.

 

WSL, the Institute for Snow and Avalanche Research in Switzerland, has used seismic sensors combined with a supervised machine learning algorithm to detect the tremors that precede avalanches. Avalanche signals are different from other earthquake signals so the algorithm can detect them automatically. Of course, if we keep gathering avalanche data, the model will be more accurate for prediction next time. This model is very important in terms of saving human lives and property. The weather stations also use the real-time data around the Swiss Alps to develop the snowpack stratigraphy simulation model to monitor and predict avalanches.

 

Another essential AI role that we can use for disaster management is “Social Listening Tools”. Normally we use this advanced technology for monitoring customer’s opinion through social media including Facebook, YouTube, Twitter, and blogs in order to create a marketing strategy plan. With this idea, we can use the same model to listen & monitor disaster information by setting key words, monitoring hashtag, gathering real time posts and comments from people in the disaster area. The rescue personnel will use the result from social listening tools to help people as fast and efficiently as they can.

 

Our society is driven by data and AI. Disaster is not as far as we think. The more advanced we are in predicting a natural disaster, the more time we have to prepare.. To train AI models, we need cooperation from related departments to gather & share data which can create  accurate AI models.

บทความโดย
คุณธัชกรณ์ วชิรมน
ประธานเจ้าหน้าที่บริหารและผู้ก่อตั้ง
บริษัท เซอร์ทิส จำกัด

Related Posts