AI for Earth: Microsofts mest overbevisende miljøprojekter

Det er svært at formidle, hvor vigtig miljøisme er. Det påvirker alle industrier såvel som alle på kloden på den ene eller anden måde, så det er vigtigt at tage et omfattende kig på, hvordan man bekæmper tegn på klimaændringer og påvirker verden på en positiv måde.

Microsoft har taget den udfordring under deres vinger med AI for Earth-initiativet . Programmet tildeler tilskud til at støtte projekter, der overvåger, modellerer og i sidste ende administrerer Jordens naturlige systemer. Enkeltpersoner, grupper af studerende eller organisationer kan søge om tilskud, og indtil videre har Microsoft uddelt 139 tilskud fordelt på 45 lande. Finansieringen kommer i form af Azure-tilskud, som giver projekterne adgang til en bred dybde af Microsoft-ressourcer, herunder maskinlæringsværktøjer og computervisionsfunktioner.



Hvad AI for Earth skal være, er denne form for platformsprogram, forklarer Lucas Joppa, Microsofts miljøchef. Vi har skyen, vi har Azure, og vi har de tjenester, der kører der, så det, AI for Earth handler om, er at levere det næste niveau af tjenester, som så giver enhver mulighed for at tage disse byggeklodser og kontekstualisere dem til deres lokale problemer .



Da det første gang blev lanceret sidste år, lovede AI for Earth $2 millioner i samlede tilskud. Det beløb er siden blevet hævet til 50 millioner dollars i løbet af de næste fem år, og Joppa forklarer, at Microsoft vil anse initiativet for vellykket, hvis blot en håndfuld af projekterne opskaleres effektivt ved hjælp af Azure-teknologi til at tackle globale problemer.

AI for Earth dækker fire hovedsøjler, når det kommer til projekter og bevillinger: landbrug, vand, biodiversitet og klimaændringer. Da disse fire områder er ekstremt brede og mangfoldige, betyder det, at de projekter, som Microsoft tager imod, også skal repræsentere mangfoldigheden i en foranderlig verden. Det betyder, at det ikke bare kan være løsninger på problemer, som de vestlige lande står over for, eller meget nicheprojekter, der kun gælder ét område af verden.



Nedenfor er nogle af de mest interessante projekter, som Microsoft tildelte tilskud til i løbet af det første udvidede år med AI for Earth.

Bekæmpelse af regnskovsskov gennem smarte kontrakter og gamified blockchain-teknologi (ETH Zurich)

GainForest bygger på ideen om, at dem med penge, der kører på noget, er mere tilbøjelige til at være mere engagerede i det felt - for eksempel vil en, der har satset på en hockeykamp, ​​se den meget mere opmærksomt. I dette tilfælde bruger GainForest pengeindsatser til at tilskynde folk til at fungere som viceværter for udsatte områder i regnskoven. Op til 80 procent af skovrydningen er forårsaget af lokale landmænd, der ønsker at gøre plads til kvæg, så dette program bruger smarte kontrakter til at kæmpe tilbage.

En gennemsigtig og skalerbar platform giver enhver mulighed for at være en interessent ved at placere penge på risikoområder (identificeret gennem et neuralt netværk) via en donation. De kan derefter se i realtid, når en lokal vicevært tager ansvar for et område af Amazonas regnskoven og sikrer, at det ikke bliver revet ned. Hvis grunden efter en periode på seks måneder forbliver uberørt, gives pengene tilbage plus renter.



På ovenstående billede er der sat pæle på fire skovområder. Efterhånden som disse områder bliver ryddet og ødelagt, mindskes indsatsen. I slutningen af ​​perioden bliver en stort set urørt belønnet med meget flere penge, mens de områder, der har lidt kraftig skovrydning, enten ingen penge eller meget lidt får.

Vi kan bruge smarte kontrakter til at gamificere bevaringstilgangen, siger David Dao, et grundlagt medlem af GainForest. Vi har haft stor interesse, men vi vil gerne sikre os, at en pilot kan fungere, før vi udvider den yderligere.



Forudsigelse af afgrødefænotyper med deep learning (University of Victoria)

I begyndelsen af ​​hver vækstsæson planlægger landmændene hundredvis af frø for at finde ud af, hvilken der vil være den mest eftertragtede for deres jord og område. Dette kan være en brutalt tidskrævende proces, da de skal undersøge hver plante for flere nøglefunktioner og afgøre, hvilken der vil give mest.

Dette projekt bruger dyb læring til at identificere nøgleegenskaber i ønskværdige planter, alt fra fotos enten taget i hånden eller gennem en drone, hvilket sparer enorme mængder tid og lægger penge tilbage i landmandens hænder.

At have en computer til at genkende disse egenskaber har potentiale til at øge hastigheden, pålideligheden og præcisionen af ​​egenskabsidentifikation og vil give nye muligheder for afgrødeavlere og landmænd til direkte at sammenligne et stort antal individuelle afgrøder med forskelle i genetik, vækstmiljø og afgrødestyring, sagde Ian Stavness , et medlem af teamet, der arbejder på projektet.

Oprydning af oceaner gennem brokameraer udstyret med computersyn (Southern California Coastal Water Research Project)

Ocean Cleanup er måske et kendt navn for nogle miljøforkæmpere, da organisationens gigantiske havtove hjælper med at befri havet for utallige tons plastik hver dag. Men dette nyeste projekt ser ud til at adressere en anden kilde til havplastik: floder.

Det anslås, at tæt på 20 procent af plastikken i havene er aflejret der af vandløb eller floder. Dette projekt spænder kameraer fast på undersiden af ​​broer for at spore, hvilken slags affald og hvor meget der kommer ind i et hav. Deep learning netværk identificerer skraldet og sender information til organisationen, hvilket muliggør en bedre oprydningsindsats og en stærkere allokering af ressourcer til målområder.

Lær dynamik i skovbrande med forstærkningslæring (University of Waterloo)

Skovbrande er en ejendommelig ting - de kan forårsage omfattende skader og ødelæggelser, men alligevel er de nødvendige for nogle områder for at brænde underskoven væk og lade planterne og træerne vokse og blomstre.

På grund af dette kan det være ekstremt svært at spore dem og lære vanen med en brand, før det er for sent. Dette projekt bruger forstærkningslæring til at spore, hvordan brande har spredt sig i fortiden. Dette giver mulighed for bedre forudsigelse af, hvornår en brand vil ramme et befolket eller vigtigt område, og hvornår ilden kan lade sig brænde.

Et skematisk billede af en naturbrands bevægelsesdomæne.

Med denne teknologi ville de brande, der påvirkede Fort McMurray, have været i stand til at forudsige i et meget hurtigere tempo, og en evakuering kunne være kommet meget hurtigere, ifølge et papir fra projektets ledere.

Stop krybskytteri gennem et netværk af kameraer bevæbnet med computersyn og dyb læring (Peace Parks Foundation)

En overskrift, som alle hader, er en, der involverer ulovlig krybskytteri af truede dyr. Så et team af forskere og miljøforkæmpere fra Peace Parks i Sydafrika gik sammen for at løse problemet intelligent.

Der blev installeret mere end 30 kameraer rundt om i en nationalpark i landet, der advarede og tog et billede, hver gang noget stødte på deres vej. En dyb læringsalgoritme adskilte billeder af mennesker og gik derefter et skridt mere for at identificere dem, der kan udgøre en potentiel krybskytteririsiko. En advarsel ville blive sendt til lokale retshåndhævere og naturbeskyttelsesfolk, og de ville sendes for at løse problemet - alt sammen på omkring tre minutter.

Indtil videre har systemet fanget adskillige krybskytter og bidraget med værdifulde beviser for at pågribe flere. Kameraerne er helt åbne for offentligheden, så i fremtiden kan de potentielt bruges til at spore migration og parringsvaner.

Kategori: Nyheder