本文發表於《大眾科學》的前部落格網路，反映了作者的觀點，不一定反映《大眾科學》的觀點
颶風“多里安”在巴哈馬群島肆虐。大規模火災在亞馬遜森林中蔓延。今年夏天，一場7.1級地震和餘震震撼了南加利福尼亞州。印度喀拉拉邦遭受了近一個世紀以來最大的洪水。
顯而易見的是，世界各地的自然災害正在造成越來越多的損失——而且未來可能會發生更具破壞性的事件。但是，我們如何才能防禦和保護自己免受未來不可避免的災難？
答案在於我們更好地預測、規劃和應對自然災害的能力。可以分析海量資料的新技術是非常有前景的工具，可以幫助社群領導者和應急管理者做出更明智的決策。這些技術是從機器學習領域發展而來的，可以補充和加強現有的災難應對計劃。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您正在幫助確保未來能夠繼續講述關於塑造我們當今世界的發現和想法的有影響力的故事。
機器學習技術可以幫助決策者更準確地回答緊急問題，例如：災難何時來襲？破壞性有多大？哪些地區將遭受最嚴重的打擊，這些地區有多少人居住和工作？哪些建築物最容易受到破壞？是否會停電，如果停電，會在哪裡停電？需要哪些裝置和資源，需要多長時間？災難應對工作將花費多少？等等。
簡而言之，機器學習讓計算機模仿人類學習，分析過去災難的大量資料，從而產生關於當前和未來類似事件的新見解。計算機被訓練成“思考”，處理資訊並形成遠超人腦計算能力的見解。
關於過去的災難，有大量資料可供機器學習利用。事實上，它已經被用於改進災難應對。例如，一些公用事業公司正在使用我的研究小組與俄亥俄州立大學的 Steven Quiring 合作開發的機器學習工具，來預測颶風和其他惡劣天氣事件造成的停電。公用事業公司報告說，機器學習提供了關鍵資訊，幫助他們改進決策。
在另一個例子中，一家初創公司開發了一個跨災害平臺，使用基於工程和機器學習的模型，向社群領導人和應急管理者提供資訊，以增強長期災害復原能力和短期災害應對能力。另一家非營利性初創公司正在使用資料分析和繪圖來連線災難受害者與急救人員和志願者團體。
此外，機器學習技術確實有侷限性。它們只能處理和分析已輸入計算機的資訊。例如，如果一個極端大型災難的資料不包含在資料集中，機器學習技術可能無法對未來類似事件做出準確的預測。機器學習的預測帶有不確定性，決策者可能難以完全理解。
重要的是要強調，機器學習絕不會取代人類決策；它只是補充專家判斷和傳統的災難應對方法。這與機器學習在其他領域的應用方式（例如自動駕駛汽車）有著關鍵的區別，在自動駕駛汽車中，該技術旨在至少部分取代人類決策。機器學習不能也不應該取代傳統的災難應對方法。鑑於情況的複雜性和嚴重性，專家的人類判斷絕對至關重要。
我知道很多人對機器學習持懷疑態度。他們擔心這門科學未經證實，並且沒有足夠的資料來預測未來的事件。但這些只是誤解。機器學習，當正確使用並基於與未來情況相關的可靠資料時，已經在許多行業中得到證實。確實存在大量資料可以用於不同的事件和情況，即使在自然災害領域也是如此。
隨著洪水、地震和野火在未來造成越來越多的損失，機器學習應成為災難應對計劃的重要組成部分。如果我們不使用它，我們就剝奪了社群領導人和應急管理者在關鍵時刻改進決策的重要工具。