Data science

เครื่องมือ Big Data ช่วยให้สามารถตรวจสอบการกู้คืนจากภัยพิบัติแบบเรียลไทม์

ตะวันออกเฉียงใต้กำลังเผชิญกับฤดูพายุเฮอริเคนที่หนักกว่าปกติ ในขณะที่แคลิฟอร์เนียยังคงเผชิญกับไฟป่าที่ใหญ่เป็นอันดับสองในประวัติศาสตร์ที่บันทึกไว้ และด้วยการเปลี่ยนแปลงสภาพภูมิอากาศที่เลวร้ายลงเรื่อยๆ นั่นเป็นเพียงจุดเริ่มต้นเท่านั้น หน่วยงานหลายแห่งหันมาใช้เทคโนโลยีใหม่เพื่อช่วยให้ประเทศสามารถรับมือกับสภาพอากาศ และตอนนี้นักวิจัยที่มหาวิทยาลัย Texas A&M ได้พัฒนากรอบการทำงานที่ขับเคลื่อนด้วยข้อมูลขนาดใหญ่สำหรับการประเมินการฟื้นตัวหลังภัยพิบัติในหลายชุมชน มีตัวชี้วัดมากมายสำหรับการกู้คืนจากภัยพิบัติ บางทีอาจเป็นดัชนีของ Waffle House ที่มีชื่อเสียงที่สุด ซึ่งวัดสถานะการฟื้นตัวของเมืองโดยการทำงานของการดำเนินงานของ Waffle House เครื่องมือใหม่นี้ค่อนข้างล้ำหน้ากว่า: นักวิจัยใช้ประโยชน์จากข้อมูลโทรศัพท์มือถือที่ไม่เปิดเผยชื่อ (โดย SafeGraph) จากผู้ใช้ใน Harris County ซึ่งเป็นที่ตั้งของเมืองฮุสตัน รัฐเท็กซัส ก่อน ระหว่าง และหลังการทำลายล้างของพายุเฮอริเคนฮาร์วีย์ ข้อมูลมีข้อมูลเกี่ยวกับการเยี่ยมชมรายวันและประเภทสถานที่สำหรับจุดที่น่าสนใจ 55, 000 ในพื้นที่ฮูสตัน โดยการจัดเรียงข้อมูลจำนวนมหาศาลตามหมวดหมู่และดูเมื่อเวลาผ่านไป นักวิจัยจะได้รับมุมมองจากมุมสูงว่าผู้คนในชุมชนเริ่มเยี่ยมชมบริการที่จำเป็นและไม่จำเป็นอีกครั้งหลังจากเกิดพายุได้อย่างไรและเมื่อใด ข้อมูลนี้มีการใช้งานที่สำคัญสำหรับบริการและหน่วยงานจัดการภัยพิบัติ Ali Mostafavi วิศวกรโยธาจากมหาวิทยาลัย Texas A&M และหนึ่งในผู้เขียนบทความซึ่งตีพิมพ์ใน Interface กล่าวว่า “ชุมชนเพื่อนบ้านอาจได้รับผลกระทบแตกต่างกันอย่างมากหลังจากเกิดภัยพิบัติทางธรรมชาติ “เราจำเป็นต้องระบุว่าพื้นที่ใดสามารถฟื้นตัวได้เร็วกว่าพื้นที่อื่น และพื้นที่ใดได้รับผลกระทบมากกว่าพื้นที่อื่นๆ เพื่อให้เราสามารถจัดสรรทรัพยากรไปยังพื้นที่ที่ต้องการพื้นที่มากขึ้น” วิธีการใหม่นี้นำเสนอข้อดีหลายประการเหนือวิธีการวัดความยืดหยุ่นแบบอื่นๆ ซึ่งทำงานโดยยึดตามการเฝ้าติดตามตัววัดเฉพาะ เช่น ความสามารถของโรงพยาบาลหรือโดยการสำรวจหลังจบกิจกรรมที่ถามบุคคลว่าพวกเขาได้รับผลกระทบอย่างไรและฟื้นตัวอย่างไร แต่แน่นอนว่าการสำรวจต้องใช้เวลาหลายเดือนกว่าจะได้ผลลัพธ์ “นอกจากจะเร็วกว่าการสำรวจแล้ว วิธีการวิจัยเหล่านี้ยังหลีกเลี่ยงข้อผิดพลาดของมนุษย์ เช่น หน่วยความจำล้มเหลว มีข้อดีในการรักษาความเป็นส่วนตัว และไม่ต้องใช้เวลาและความพยายามจากผู้ที่ได้รับผลกระทบ” Jacqueline Meszaros โปรแกรม ผู้อำนวยการฝ่ายวิศวกรรมของ NSF “เมื่อเราสามารถเรียนรู้เกี่ยวกับความยืดหยุ่นโดยไม่บังคับผู้ที่ยังฟื้นตัวจากภัยพิบัติได้ ถือเป็นเรื่องดี” หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับงานวิจัยนี้ โปรดอ่านบทความซึ่งตีพิมพ์ใน Interface ฉบับเดือนเมษายน 000 ในหัวข้อ “การหาจำนวนความยืดหยุ่นของชุมชนตามความผันผวนในการเยี่ยมชมจุดสนใจที่ได้รับจาก ข้อมูลการติดตามดิจิทัล” บทความนี้เขียนโดย Cristian Podesta, Natalie Coleman, Amir Esmalian, Faxi Yuan และ Ali Mostafavi

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button