新型冠状病毒大流行使应急响应模型前所未有地成为人们关注的焦点。我们正在了解到,建议必须足够快,以便在危机发生前先行,但它们也必须准确和有用,以便对灾害作出有效反应。
模型总是不完美的。他们可能会被数据的质量和在复杂情况下无法预测的突然变化所左右。帮助为未来创建应急准备计划的模型也需要能提供信息的算法作为补充救灾在真正的时间。
北卡罗来纳州立大学、美国陆军和德州农工大学的研究人员正在开发一种算法,这种算法可以在自然灾害和人为灾害期间为急救人员和应急管理者提供实时信息。
“它的规模将是我们前所未见的。”
大量的美国平民和非战斗人员在韩国生活和工作。如果冲突爆发了朝鲜,它将触发美国最大的最大的非战斗疏散操作(NEO)。
捍卫民主基金会(Foundation for Defense of Democracies)高级研究员戴维•马克斯韦尔(David Maxwell)表示:“它的规模将是我们以前从未见过的。”麦克斯韦是一名30岁的陆军老兵,他的专长包括朝鲜问题。他说,世界各地也有更小的近地天体,“但我们谈论的规模是数十万(撤离者)。”
近地天体是国务院引导美国公民远离战区和灾难的方式。应急反应由各国大使宣布和管理,由军方执行。在韩国,军队占据了先机。
一个韩国近地天体规模的紧急疏散计划令人震惊。后勤方面的问题包括获取、调动和保持地面运输的运行;设立和储存区;把人们转移到机场和海港,把他们带到安全地带。军事后勤人员和规划人员已经建立并正在使用模型来设计他们的NEO手册。来自NCSU和美国陆军的两位研究人员和退伍军人都有设计了一个新的模型它不仅使用传统算法来规划,还可以实时调整这些计划。
该算法考虑疏散人员的数量、位置和运输时间等变量来制定疏散计划。
北卡罗来纳州立大学的工业和系统工程助理研究教授布兰登·麦康奈尔说,其目的不是取代或改进现有的模型。
“这实际上是提供一些不同的东西,一种不同类型的能力,以帮助指挥官可视化决策权衡,并理解它们。”
该算法由主要作者、陆军上尉约翰·科尔比(John Kearby)构建,他是北卡罗来纳州立大学的毕业生,也是美国西点军校(U.S. Military Academy at West Point)的讲师。该算法处理了许多变量,为NEO提供了一个时间表。
这些输入包括有多少撤离者和他们被指定的集结点的位置,有多少可用的资产——比如火车、巴士和直升机——以及他们的运输时间。该算法创建的时间表旨在以尽可能少的时间执行NEO。但它的独特之处在于,这个时间表可以随着事情不可避免的变化而调整。
如果其中一个变量使用新信息进行了更新,那么时间表也将更新。该模型需要快速而准确地为问题提供答案。任何决策所做的权衡都会对整个操作产生重大影响。该模型旨在让后勤人员和指挥官实时看到他们的行动结果。

在这里,60名平民参加了勇敢的频道,是一个Neo练习练习,2016年。信贷:美国军队
“这就是环境中的内容,”McConnell说。“这些东西不自由。”Kearby和McConnell的型号可以预测这些变化到单个卡车的水平。
McConnell说,这种粒度水平很重要。一个关键挑战是弄清楚需要多少细节。太少,决定不会如尽可能的信息。太多了,结果可能太慢发展,模型太麻烦了。
韩国问题专家麦克斯韦表示:“这种模式似乎真的对决策非常有帮助。”交通堵塞、道路封闭、外国政府的行为等问题是不可避免的。
Maxwell Notes可以建模的内容仍然存在一些差距。其中包括其他政府如何影响新人,中国止出了美国。为了让私人承包商的车辆穿梭疏散。韩国公民寻求安全的行为也很难考虑。
一个易于使用和理解的用户界面也将是必要的,使模型领域准备好,McConnell说。
Kearby和McConnell的方法使用了韩国NEO的计划,但它可以适用于其他情况。对各种灾害的应急反应都是不稳定的情况。
洪水:洪水中的紧急响应
很少自然灾害影响范围与洪水一样广。
“一般来说,(洪水)......几乎可以发生在任何地方,”乔治城大学的紧急和灾难管理计划教授和教师和教师总监。“这也是几乎每年我们看到我们所面临的任何自然灾害的最高损失的人。”
基于水物理和区域的地形的模型可以帮助预测洪水可能开始发生的地方。但它们变得不太有用的中间洪水,水域和压力升高和时间清洗。
德州农工大学土木与环境工程助理教授阿里·穆斯塔法维(Ali Mostafavi)已经发现了设计了一个算法帮助预测洪水接下来会流向何处。穆斯塔法的算法通过从城市的洪水测量仪中获取数据,并将其与城市排水系统的设计相结合,可以模拟出洪水将流向城市的位置。
利用来自城市洪水水位的数据,再加上排水系统的设计,该算法可以模拟出洪水将流向城市的位置。
穆斯塔法维举例说:“排水系统的第5节点出现了溢流。”该算法可以告诉您,“从现在起3个小时后,节点7也有90%的可能性发生溢出。”穆斯塔法说,它不能预测未来,但提供了一个确定应急响应的概率框架。
弗雷泽说,这些信息可以帮助确定有限的救援资源应该分配到哪里,以及可能需要多少。这也可以帮助官员更好地警告公众。
MostaFavi使用哈里斯县,德克萨斯州和普通瀑布市休斯顿建立他的模型。凭借洪水仪的强大系统,休斯顿特别适合为模型提供数据。该算法吸引了历史。它是从2015年阵亡纪念日洪水和2017年飓风洪水的数据。使用这一点,该算法的预测符合2016年税收日洪水洪水洪水的历史数据,精度为83%。
他目前正在研究一个更精确的深度学习迭代,可能更适合克服模型的主要挑战之一:缺乏数据。
订阅freehthink,以获取这样的更多故事。
“这就是我们开始使用概率模型的原因,”大多数人说。这些模型依赖于数据较少。但他所需的至关重要的数据取决于城市的洪水监测基础设施(包括仪表实际工作正常工作)。
穆斯塔法说:“特别是在一些资源有限的地区,洪水测量仪更加稀缺。”他正在研究深度学习版本可以用来填补空白的潜在变通办法,比如监测社交媒体上的帖子,作为一个临时跟踪系统。
像Kearby和McConnell的型号一样,Mostafavi并不意味着代替主要用于规划的物理型号。目标是提供一个不同的工具集 - 一个优化用于实时决策 - 来补充已经使用的模型。
乔治城大学的弗雷泽说:“在应急管理中,我们最担心的是挽救生命。”“如果我们有一个模型,告诉我们洪水将在哪里发生,这是一个巨大的优势。”