Explore the full ebook collection and download it now at textbookfull.

com

Petascale analytics large scale machine learning

in the earth sciences 1st Edition Ashok N.
Srivastava

https://textbookfull.com/product/petascale-analytics-large-
scale-machine-learning-in-the-earth-sciences-1st-edition-
ashok-n-srivastava/

OR CLICK HERE

DOWLOAD EBOOK

Browse and Get More Ebook Downloads Instantly at https://textbookfull.com

Click here to visit textbookfull.com and download textbook now
 Your digital treasures (PDF, ePub, MOBI) await
Download instantly and pick your perfect format...

Read anywhere, anytime, on any device!

Large Scale Data Analytics Chung Yik Cho

https://textbookfull.com/product/large-scale-data-analytics-chung-yik-
cho/

textbookfull.com

Big Data Analytics for Large Scale Multimedia Search

Stefanos Vrochidis

https://textbookfull.com/product/big-data-analytics-for-large-scale-
multimedia-search-stefanos-vrochidis/

textbookfull.com

Machine Learning Paradigms: Advances in Learning Analytics

Maria Virvou

https://textbookfull.com/product/machine-learning-paradigms-advances-
in-learning-analytics-maria-virvou/

textbookfull.com

Predictive Analytics with Microsoft Azure Machine Learning

Barga

https://textbookfull.com/product/predictive-analytics-with-microsoft-
azure-machine-learning-barga/

textbookfull.com
Large Scale Data Handling in Biology Karol Kozak

https://textbookfull.com/product/large-scale-data-handling-in-biology-
karol-kozak/

textbookfull.com

Recent Developments in Machine Learning and Data Analytics

IC3 2018 Jugal Kalita

https://textbookfull.com/product/recent-developments-in-machine-
learning-and-data-analytics-ic3-2018-jugal-kalita/

textbookfull.com

Migrating Large Scale Services to the Cloud 1st Edition

Eric Passmore

https://textbookfull.com/product/migrating-large-scale-services-to-
the-cloud-1st-edition-eric-passmore/

textbookfull.com

Paleoclimatology Frontiers in Earth Sciences 1st Edition

Gilles Ramstein

https://textbookfull.com/product/paleoclimatology-frontiers-in-earth-
sciences-1st-edition-gilles-ramstein/

textbookfull.com

Feature Engineering for Machine Learning and Data

Analytics First Edition Dong

https://textbookfull.com/product/feature-engineering-for-machine-
learning-and-data-analytics-first-edition-dong/

textbookfull.com
Large-Scale Machine Learning
in the Earth Sciences
 Chapman & Hall/CRC
Data Mining and Knowledge Discovery Series
Series Editor: Vipin Kumar
University of Minnesota
Department of Computer Science and Engineering
Minneapolis, Minnesota, U.S.A.

AIMS AND SCOPE

This series aims to capture new developments and applications in data mining and knowledge
discovery, while summarizing the computational tools and techniques useful in data analysis.
This series encourages the integration of mathematical, statistical, and computational methods
and techniques through the publication of a broad range of textbooks, reference works, and
handbooks. The inclusion of concrete examples and applications is highly encouraged. The
scope of the series includes, but is not limited to, titles in the areas of data mining and
knowledge discovery methods and applications, modeling, algorithms, theory and foundations,
data and knowledge visualization, data mining systems and tools, and privacy and security
issues.

PUBLISHED TITLES
Accelerating Discovery: Mining Unstructured Information for Hypothesis Generation
Scott Spangler

Advances in Machine Learning and Data Mining for Astronomy

Michael J. Way, Jeffrey D. Scargle, Kamal M. Ali, and Ashok N. Srivastava

Biological Data Mining

Jake Y. Chen and Stefano Lonardi

Computational Business Analytics

Subrata Das

Computational Intelligent Data Analysis for Sustainable Development

Ting Yu, Nitesh V. Chawla, and Simeon Simoff

Computational Methods of Feature Selection

Huan Liu and Hiroshi Motoda

Constrained Clustering: Advances in Algorithms, Theory, and Applications

Sugato Basu, Ian Davidson, and Kiri L. Wagstaff

Contrast Data Mining: Concepts, Algorithms, and Applications

Guozhu Dong and James Bailey

Data Classification: Algorithms and Applications

Charu C. Aggarawal

Data Clustering: Algorithms and Applications

Charu C. Aggarawal and Chandan K. Reddy
 Data Clustering in C++: An Object-Oriented Approach
Guojun Gan

Data Mining: A Tutorial-Based Primer, Second Edition

Richard J. Roiger

Data Mining for Design and Marketing

Yukio Ohsawa and Katsutoshi Yada

Data Mining with R: Learning with Case Studies, Second Edition

Luís Torgo

Data Science and Analytics with Python

Jesus Rogel-Salazar

Event Mining: Algorithms and Applications

Tao Li

Foundations of Predictive Analytics

James Wu and Stephen Coggeshall

Geographic Data Mining and Knowledge Discovery, Second Edition

Harvey J. Miller and Jiawei Han

Graph-Based Social Media Analysis

Ioannis Pitas

Handbook of Educational Data Mining

Cristóbal Romero, Sebastian Ventura, Mykola Pechenizkiy, and Ryan S.J.d. Baker

Healthcare Data Analytics

Chandan K. Reddy and Charu C. Aggarwal

Information Discovery on Electronic Health Records

Vagelis Hristidis

Intelligent Technologies for Web Applications

Priti Srinivas Sajja and Rajendra Akerkar

Introduction to Privacy-Preserving Data Publishing: Concepts and Techniques

Benjamin C. M. Fung, Ke Wang, Ada Wai-Chee Fu, and Philip S. Yu

Knowledge Discovery for Counterterrorism and Law Enforcement

David Skillicorn

Knowledge Discovery from Data Streams

João Gama

Large-Scale Machine Learning in The Earth Sciences

Ashok N. Srivastava, Ramakrishna Nemani, and Karsten Steinhaeuser

Machine Learning and Knowledge Discovery for Engineering Systems Health Management
Ashok N. Srivastava and Jiawei Han
 Mining Software Specifications: Methodologies and Applications
David Lo, Siau-Cheng Khoo, Jiawei Han, and Chao Liu

Multimedia Data Mining: A Systematic Introduction to Concepts and Theory

Zhongfei Zhang and Ruofei Zhang

Music Data Mining

Tao Li, Mitsunori Ogihara, and George Tzanetakis

Next Generation of Data Mining

Hillol Kargupta, Jiawei Han, Philip S. Yu, Rajeev Motwani, and Vipin Kumar

Rapidminer: Data Mining Use Cases and Business Analytics Applications

Markus Hofmann and Ralf Klinkenberg

Relational Data Clustering: Models, Algorithms, and Applications

Bo Long, Zhongfei Zhang, and Philip S. Yu

Service-Oriented Distributed Knowledge Discovery

Domenico Talia and Paolo Trunfio

Spectral Feature Selection For Data Mining

Zheng Alan Zhao and Huan Liu

Statistical Data Mining Using SAS Applications, Second Edition

George Fernandez

Support Vector Machines: Optimization Based Theory, Algorithms, and Extensions

Naiyang Deng, Yingjie Tian, and Chunhua Zhang

Temporal Data Mining

Theophano Mitsa

Text Mining: Classification, Clustering, and Applications

Ashok N. Srivastava and Mehran Sahami

Text Mining and Visualization: Case Studies Using Open-Source Tools

Markus Hofmann and Andrew Chisholm

The Top Ten Algorithms in Data Mining

Xindong Wu and Vipin Kumar

Understanding Complex Datasets: Data Mining with Matrix Decompositions

David Skillicorn
Large-Scale Machine Learning
in the Earth Sciences

Edited by
Ashok N. Srivastava
Ramakrishna Nemani
Karsten Steinhaeuser
MATLABⓇ is a trademark of The MathWorks, Inc. and is used with permission. The MathWorks does not warrant the
accuracy of the text or exercises in this book. This book’s use or discussion of MATLABⓇ software or related products does not
constitute endorsement or sponsorship by The MathWorks of a particular pedagogical approach or particular use of the
MATLABⓇ software.
CRC Press
Taylor & Francis Group
6000 Broken Sound Parkway NW, Suite 300
Boca Raton, FL 33487-2742

© 2017 by Taylor & Francis Group, LLC

CRC Press is an imprint of Taylor & Francis Group, an Informa business

No claim to original U.S. Government works

Printed on acid-free paper

International Standard Book Number-13: 978-1-4987-0387-1 (Hardback)

This book contains information obtained from authentic and highly regarded sources. Reasonable efforts have been made to
publish reliable data and information, but the author and publisher cannot assume responsibility for the validity of all materials
or the consequences of their use. The authors and publishers have attempted to trace the copyright holders of all material
reproduced in this publication and apologize to copyright holders if permission to publish in this form has not been obtained. If
any copyright material has not been acknowledged please write and let us know so we may rectify in any future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced, transmitted, or utilized in any
form by any electronic, mechanical, or other means, now known or hereafter invented, including photocopying, microfilming,
and recording, or in any information storage or retrieval system, without written permission from the publishers.

For permission to photocopy or use material electronically from this work, please access www.copyright.com
(http://www.copyright.com/) or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood Drive, Danvers, MA 01923,
978-750-8400. CCC is a not-for-profit organization that provides licenses and registration for a variety of users. For organizations
that have been granted a photocopy license by the CCC, a separate system of payment has been arranged.
Trademark Notice: Product or corporate names may be trademarks or registered trademarks, and are used only for identifica-
tion and explanation without intent to infringe.

Library of Congress Cataloging-in-Publication Data

Names: Srivastava, Ashok N. (Ashok Narain), 1969- editor. | Nemani,
Ramakrishna, editor. | Steinhaeuser, Karsten, editor.
Title: Large-scale machine learning in the earth sciences / [edited by] Ashok
N. Srivastava, Dr. Ramakrishna Nemani, Karsten Steinhaeuser.
Description: Boca Raton : Taylor & Francis, 2017. | Series: Chapman &
Hall/CRC data mining & knowledge discovery series ; 42 | “A CRC title,
part of the Taylor & Francis imprint, a member of the Taylor & Francis
Group, the academic division of T&F Informa plc.”
Identifiers: LCCN 2017006160 | ISBN 9781498703871 (hardback : alk. paper)
Subjects: LCSH: Earth sciences–Computer network resources. | Earth
sciences–Data processing.
Classification: LCC QE48.87 .L37 2017 | DDC 550.285/6312–dc23
LC record available at https://lccn.loc.gov/2017006160

Visit the Taylor & Francis Web site at

http://www.taylorandfrancis.com
and the CRC Press Web site at
http://www.crcpress.com
 Contents

Foreword .............................................................................................................. ix
Editors ................................................................................................................. xi
Contributors ........................................................................................................xiii
Introduction ......................................................................................................... xv

1 Network Science Perspectives on Engineering Adaptation to Climate Change and

Weather Extremes ........................................................................................... 1
Udit Bhatia and Auroop R. Ganguly

2 Structured Estimation in High Dimensions: Applications in Climate.....................13

André R Goncalves, Arindam Banerjee, Vidyashankar Sivakumar, and Soumyadeep Chatterjee

3 Spatiotemporal Global Climate Model Tracking .................................................33

Scott McQuade and Claire Monteleoni

4 Statistical Downscaling in Climate with State-of-the-Art Scalable Machine

Learning........................................................................................................55
Thomas Vandal, Udit Bhatia, and Auroop R. Ganguly

5 Large-Scale Machine Learning for Species Distributions ......................................73

Reid A. Johnson, Jason D. K. Dzurisin, and Nitesh V. Chawla

6 Using Large-Scale Machine Learning to Improve Our Understanding of the

Formation of Tornadoes ..................................................................................95
Amy McGovern, Corey Potvin, and Rodger A. Brown

7 Deep Learning for Very High-Resolution Imagery Classification ........................ 113

Sangram Ganguly, Saikat Basu, Ramakrishna Nemani, Supratik Mukhopadhyay, Andrew
Michaelis, Petr Votava, Cristina Milesi, and Uttam Kumar

vii
viii Contents

8 Unmixing Algorithms: A Review of Techniques for Spectral Detection and

Classification of Land Cover from Mixed Pixels on NASA Earth Exchange .......... 131
Uttam Kumar, Cristina Milesi, S. Kumar Raja, Ramakrishna Nemani, Sangram Ganguly,
Weile Wang, Petr Votava, Andrew Michaelis, and Saikat Basu

9 Semantic Interoperability of Long-Tail Geoscience Resources over the Web ......... 175
Mostafa M. Elag, Praveen Kumar, Luigi Marini, Scott D. Peckham, and Rui Liu

Index ......................................................................................................201
 Foreword

The climate and Earth sciences have recently undergone a rapid transformation from a data-poor to a
data-rich environment. In particular, massive amounts of climate and ecosystem data are now available
from satellite and ground-based sensors, and physics-based climate model simulations. These information-
rich data sets offer huge potential for monitoring, understanding, and predicting the behavior of the Earth’s
ecosystem and for advancing the science of global change.
While large-scale machine learning and data mining have greatly impacted a range of commercial appli-
cations, their use in the field of Earth sciences is still in the early stages. This book, edited by Ashok
Srivastava, Ramakrishna Nemani, and Karsten Steinhaeuser, serves as an outstanding resource for any-
one interested in the opportunities and challenges for the machine learning community in analyzing these
data sets to answer questions of urgent societal interest.
This book is a compilation of recent research in the application of machine learning in the field of Earth
sciences. It discusses a number of applications that exemplify some of the most important questions faced
by the climate and ecosystem scientists today and the role the data mining community can play in answer-
ing them. Chapters are written by experts who are working at the intersection of the two fields. Topics
covered include modeling of weather and climate extremes, evaluation of climate models, and the use
of remote sensing data to quantify land-cover change dynamics. Collectively, they provide an excellent
cross-section of research being done in this emerging field of great societal importance.
I hope that this book will inspire more computer scientists to focus on environmental applications, and
Earth scientists to seek collaborations with researchers in machine learning and data mining to advance
the frontiers in Earth sciences.

Vipin Kumar, PhD

Department of Computer Science and Engineering
University of Minnesota
Minneapolis, MN

ix
 Editors

Ashok N. Srivastava, PhD, is the vice president of Big Data and Artificial Intelligence Systems and the
chief data scientist at Verizon. He leads a new research and development center in Palo Alto focusing on
building products and technologies powered by big data, large-scale machine learning, and analytics. He
is an adjunct professor at Stanford University in the Electrical Engineering Department and is the editor-
in-chief of the AIAA Journal of Aerospace Information Systems. Dr. Srivastava is a fellow of the IEEE, the
American Association for the Advancement of Science (AAAS), and the American Institute of Aeronautics
and Astronautics (AIAA).
He is the author of over 100 research articles, has edited four books, has five patents awarded, and has
over 30 patents under file. He has won numerous awards including the IEEE Computer Society Technical
Achievement Award for “pioneering contributions to intelligent information systems,” the NASA Excep-
tional Achievement Medal for contributions to state-of-the-art data mining and analysis, the NASA Honor
Award for Outstanding Leadership, the NASA Distinguished Performance Award, several NASA Group
Achievement Awards, the Distinguished Engineering Alumni Award from UC Boulder, the IBM Golden
Circle Award, and the Department of Education Merit Fellowship.

Dr. Ramakrishna Nemani is a senior Earth scientist with the NASA Advanced Supercomputing Division
at Ames Research Center, California. He leads NASA’s efforts in ecological forecasting to understand the
impacts of the impending climatic changes on Earth’s ecosystems and in collaborative computing, bringing
scientists together with big data and supercomputing to provide insights into how our planet is changing
and the forces underlying such changes.
He has published over 190 papers on a variety of topics including remote sensing, global ecology,
ecological forecasting, climatology, and scientific computing. He served on the science teams of several
missions including Landsat-8, NPP, EOS/MODIS, ALOS-2, and GCOM-C. He has received numer-
ous awards from NASA including the Exceptional Scientific Achievement Medal in 2008, Exceptional
Achievement Medal in 2011, Outstanding Leadership Medal in 2012, and eight group achievement
awards.

Karsten Steinhaeuser, PhD, is a research scientist affiliated with the Department of Computer Science
and Engineering at the University of Minnesota and a data scientist with Progeny Systems Corporation.
His research centers around data mining and machine learning, in particular construction and analysis
of complex networks, with applications in diverse domains including climate, ecology, social networks,
time series analysis, and computer vision. He is actively involved in shaping an emerging research area
called climate informatics, which lies at the intersection of computer science and climate sciences, and his
interests are more generally in interdisciplinary research and scientific problems relating to climate and
sustainability.

xi
xii Editors

Dr. Steinhaeuser has been awarded one patent and has authored several book chapters as well as numer-
ous peer-reviewed articles and papers on these topics. His work has been recognized with multiple awards
including two Oak Ridge National Laboratory Significant Event Awards for “Novel Analyses of the Simu-
lation Results from the CCSM 3.0 Climate Model” and “Science Support for a Climate Change War Game
and Follow-Up Support to the US Department of Defense.”
 Contributors

Arindam Banerjee Auroop R. Ganguly

Department of Computer Science and Northeastern University
Engineering Boston, Massachusetts
University of Minnesota, Twin Cities
Minneapolis, Minnesota Sangram Ganguly
NASA Ames Research Center
Saikat Basu Moffett Field, California
Department of Computer Science and
Louisiana State University Bay Area Environmental Research Institute
Baton Rouge, Los Angeles (BAERI)
West Sonoma, California
Udit Bhatia
Northeastern University André R. Goncalves
Boston, Massachusetts Center for Research and Development in
Telecommunications
Rodger A. Brown Campinas, Sao Paulo, Brazil
NOAA/National Severe Storms Laboratory
Norman, Oklahoma
Reid A. Johnson
University of Notre Dame
Soumyadeep Chatterjee
Notre Dame, Indiana
Data Science
Quora Inc.
Mountain View, California Praveen Kumar
Ven Te Chow Hydrosystems Laboratory
Nitesh V. Chawla Department of Civil and Environmental
University of Notre Dame Engineering
Notre Dame, Indiana University of Illinois
Urbana, Illinois
Jason D. K. Dzurisin
University of Notre Dame Uttam Kumar
Notre Dame, Indiana NASA Ames Research Center/Oak Ridge
Associated Universities
Mostafa M. Elag Moffett Field, California
Ven Te Chow Hydrosystems Laboratory
Department of Civil and Environmental Rui Liu
Engineering National Center for Supercomputing Applications
University of Illinois University of Illinois at Urbana-Champaign
Urbana, Illinois Urbana, Illinois

xiii
xiv Contributors

Luigi Marini Corey Potvin

National Center for Supercomputing Applications Cooperative Institute for Mesoscale
University of Illinois at Urbana-Champaign Meteorological Studies and NOAA/National
Urbana, Illinois Severe Storms Laboratory
University of Oklahoma
Amy McGovern Norman, Oklahoma
School of Computer Science
University of Oklahoma S. Kumar Raja
Norman, Oklahoma EADS Innovation Works
Airbus Engineering Centre India
Scott McQuade Bangalore, India
George Washington University
Washington, DC
Vidyashankar Sivakumar
Department of Computer Science and
Andrew Michaelis
Engineering
NASA Ames Research Center
University of Minnesota, Twin Cities
Moffett Field, California
Minneapolis, Minnesota
and
University Corporation at Monterey Bay
Thomas Vandal
California State University
Northeastern University
Seaside, California
Boston, Massachusetts
Cristina Milesi
Petr Votava
EvalStat Research Institute
NASA Ames Research Center
Palo Alto, California
Moffett Field, California
and
Claire Monteleoni
University Corporation at Monterey Bay
George Washington University
California State University
Washington, DC
Seaside, California
Supratik Mukhopadhyay
Weile Wang
Department of Computer Science
California State University
Louisiana State University
Seaside, California
Baton Rouge, Louisiana
and
NASA Ames Research Center
Scott D. Peckham Moffett Field, California
Institute of Arctic and Alpine Research
University of Colorado
Boulder, Colorado
 Introduction

Our society faces an unprecedented challenge in understanding, modeling, and forecasting Earth sys-
tem dynamics that involve complex interactions among physical, biological, and socioeconomic systems.
Addressing these challenges requires the ability to incorporate potentially massive data sets taken at mul-
tiple physical scales from sensors that are geospatially distributed, which can provide information at
different sampling intervals. In addition, computer simulations generate data that need to be reconciled
with observational data at different spatial and temporal scales.
In recent years, researchers in Earth science, computer science, statistics, and related fields have devel-
oped new techniques to address these challenges through interdisciplinary research. The purpose of this
book is to provide researchers and practitioners in these fields, a broad overview of some of the key chal-
lenges in the intersection of these disciplines, and the approaches that have been taken to address them.
This highly interdisciplinary area of research is in significant need for advancement on all fronts; our hope
is that this compilation will provide a resource to help further develop these areas. This book is a collection
of invited articles from leading researchers in this dynamic field.
The book begins with the chapter entitled, “Network Science Perspectives on Engineering Adaptation to
Climate Change and Weather Extremes” by Bhatia and Ganguly. The authors observe that extreme climate
and weather events can be correlated and can cause significant stress on human-built and natural systems,
which in turn can lead to negative impacts on human populations and the economies in which they live.
They discuss in detail the idea of teleconnections, in which spatiotemporal events spanning enormous
geographical distances can show high degrees of correlation. Thus, extreme climate and weather events in
one location can induce other potentially extreme events in a distant location. The authors emphasize the
use of methods developed by network science to understand and discover such teleconnections.
Chapter 2, entitled “Structured Estimation in High Dimensions: Applications in Climate,” continues the
theme of making predictions based on observational data. Goncalves and Banerjee focus on two specific
problems: first, the authors address the problem of making temperature and precipitation predictions over
nine landmasses given measurements taken over the oceans. The authors show that by imposing known
structure on the prediction variables, the prediction quality can exceed prior baselines. The second focus of
the chapter is on combining predictions made by global climate models using a multitask learning approach
based on structured learning yielding predictions, which significantly exceed competing methods.
Chapter 3, by McQuade and Monteleoni entitled, “Spatiotemporal Global Climate Model Tracking”
describes the use of ensemble machine learning models to combine predictions of global climate models
using information from spatial and temporal patterns. They explore the fixed-share algorithm and provide
an extension that allows the prediction weights of the global climate models to switch based on both spatial
and temporal patterns. This approach has thematic commonality with the preceding chapter, although it
addresses the problem using Markov random fields.
Chapter 4 features a discussion on “Statistical Downscaling in Climate with State-of-the-Art Scalable
Machine Learning” in which Vandal, Bhatia, and Ganguly explore the important problem of projecting

xv
xvi Introduction

the output of simulations made at low spatial resolution to higher spatial resolutions necessary for study-
ing the impacts of climatic changes on socioeconomic and ecological systems. They discuss techniques
such as sparse regression, Bayesian methods, kriging, neural networks, and other transfer function-based
techniques to address the problem. In addition, the authors discuss deep belief networks and provide a
comparison of this method against other methods on a precipitation prediction problem.
In Chapter 5, Johnson and Chawla provide an overview of methods to understand and predict the
proliferation of biological species due to changes in environmental conditions. In their chapter entitled,
“Large-Scale Machine Learning for Species Distributions,” the authors provide an overview of this pressing
problem and discuss correlative methods to predict species distributions based on environmental variables.
These methods are contrasted with causal approaches that rely on significant domain knowledge regarding
the species in question and the impact of environmental variations on those species. The authors provide
a theoretical framework for the correlative approaches and show how this problem can be reduced to a
familiar classification problem.
Chapter 6 addresses the problem of “Using Large-Scale Machine Learning to Improve Our Under-
standing of the Formation of Tornadoes.” In this chapter, McGovern, Potvin, and Brown show how
spatiotemporal relational random forests can be used to analyze massive four-dimensional data sets to
detect and potentially differentiate storms that will lead to tornadoes from those that do not. The challenge
that the researchers address is multifold due to the fact that the data sets are massive while the processing
must be done in near real-time to yield actionable results. In addition to trying to address the actionability
of the results, the authors also address the problem of providing potential explanations for tornadogenesis.
Ganguly et al., utilize a critical innovation in neural networks in Chapter 7 entitled, “Deep Learning for
Very High-Resolution Imagery Classification.” The authors address the problem of classifying images that
have very high resolution using a class of deep learning algorithms. The authors show the performance
of stacked autoencoders, deep belief networks, convolutional neural networks, and deep belief neural net-
works with a special set of features derived from the underlying data used as inputs. The study is performed
on a modern cloud-based computing platform and the NASA Earth Exchange (NEX) platform and reveals
that the feature extraction method coupled with the deep belief neural network has a significantly higher
classification performance compared to the other methods.
Chapter 8 by Kumar et al., addresses the critical problem of unmixing spectral signals in remote sensing
images of land cover. By the inherent nature of remote sensing data, any given image pixel, regardless of the
imaging resolution can be composed of many underlying sources—grass, trees, cement, water, etc. Land
cover classification techniques can be improved significantly through the application of algorithms that
use principled methods to decompose the spectral signals to reveal the underlying sources. This chapter
features a detailed analysis of numerous unmixing algorithms followed by a comprehensive set of results
across several data sets. Given the proliferation of medium- to high-resolution global satellite data sets,
these algorithms will play a key role in the monitoring of our planet for detecting changes in forest cover,
urbanization, and surface water.
Chapter 9 addresses the “Semantic Interoperability of Long-Tail Geoscience Resources over the Web.”
In this chapter, Elag, Kumar, Marini, and Peckham apply long-tail distributions, which are a well-known
concept in business, economics, and other disciplines in the context of numerous small, highly curated
data sets that an individual scientist may have on their local network. While each data set by itself has a
certain scientific value, the authors present the idea that the totality of the information contained in union
of all of these data would present an invaluable source of information across the Earth sciences. For such
data sets to be easily accessible, the authors discuss methods to improve the interoperability of the data sets
using semantic web mining. They provide concrete examples of potential approaches to embed context
and other relevant information in a geosemantics framework.
The editors are thankful to the authors of this book who have given a detailed discussion of press-
ing research issues covering a diverse array of topics ranging from combining global climate models to
new methods for creating semantic interoperability across data sets, large and small. We believe that these
Introduction xvii

contributions will form an important resource for interdisciplinary research in the Earth and computer sci-
ences. Developing a deeper understanding of the issues facing our planet through the pursuit of scientific
inquiry based on observable data is more pressing now than ever before.

Ashok N. Srivastava, PhD

VP Data and Artificial Intelligence Systems
Chief Data Scientist, Verizon

Ramakrishna Nemani, PhD

Senior Earth Scientist
NASA Ames Research Center

Karsten Steinhaeuser, PhD

Research Scientist, Computer Science & Engineering
University of Minnesota
Data Scientist, Progeny Systems Corporation

MATLABⓇ is a trademark of The MathWorks, Inc. and is used with permission. The MathWorks does not
warrant the accuracy of the text or exercises in this book. This book’s use or discussion of MATLABⓇ
software or related products does not constitute endorsement or sponsorship by The MathWorks of
a particular pedagogical approach or particular use of the MATLABⓇ software.
 1
Network Science
Perspectives on
Engineering Adaptation
to Climate Change and
Weather Extremes
1.1 Introduction.........................................................................1
1.2 Motivation ...........................................................................2
1.3 Network Science in Climate Risk Management .........................3
New Resilience Paradigm

Udit Bhatia 1.4 Network Technology Stack .....................................................6

1.5 Case Studies: Telescoping Systems of Systems ...........................8
Auroop R. Ganguly 1.6 Conclusion...........................................................................9

1.1 Introduction
Weather and hydrological extremes, which may be exacerbated by climate variability and change [1,2],
severely stress natural, engineered, and human systems. What makes these climate hazards particularly
worrisome is their rapidly changing nature, along with our lack of understanding of the hazards attributes
that may matter the most for impact analyses. With climate change as threat multiplier, the weather
extremes have devastating impacts on essential functionality of infrastructure networks, specifically, life-
lines including transportation networks, power-grid, water distribution networks, and communication
networks [3]. The failure of one of the lifeline systems may cause massive social disruption, and localized
damage may trigger a cascade of failure within the network or across network multiplex [4,5]. Environ-
mental impacts of such infrastructures also span spatial scales from regional to national to global. For
example, fossil fuel combustion in power generation facilities can result in heat island effects, all of which
can have profuse impact on humans and biodiversity in the natural systems. The impacts of climate hazards,
and hence preparedness and management of natural hazards as well as climate adaptation [6] and to a
great extent mitigation, crucially depend upon our understanding of the interdependencies of the complex
systems. While component-based risk management frameworks have long been used to inform the dis-
aster mitigation and management, there is a growing realization that the conventional risk management
framework should be coupled with a system-based resilience approach that can confront the ever-growing
complexity and interdependencies of infrastructure systems. Challenges stem from the attributes of the
data, the systems under consideration, and the nature of the problems. One concern is the ability to deal
with “Big Data,” typically defined through attributes such as volume, variety, and velocity [7]. The interest in
extremes or large changes, often unprecedented, requires the extraction of signatures or precursors of rare

1
2 Large-Scale Machine Learning in the Earth Sciences

events and anomalies. Interrelationships among systems motivate the need for correlative and predictive
analyses [8], to understand processes such as spatiotemporal complexity, cascading failures [9], and flow
or spreading phenomena [10]. A combination of the best-available methods in data sciences (e.g., machine
learning), process models (e.g., agent-based systems), and physics models (e.g., global climate models) is
required to address these challenges. Machine learning in particular needs to be able to look for extremes,
anomalies, and change from massive and diverse (“Big”) data while being aware of complex dependence
structures. This has motivated recent advances in the machine learning literature in areas such as rare
event analytics and extreme value theory, network science, and graphical models and algorithms specif-
ically designed for massive spatiotemporal data. Complex networks, including their theory and efficient
computational implementations [11], are among the tools that are increasingly being used by theoretical
and applied machine learning researchers to solve the urgent societal problems discussed in this chapter.

1.2 Motivation
Unprecedented end correlated weather extremes, and drastic regional climate changes, are no longer sur-
prising; legacy infrastructures are crumbling, while multilayer lifeline networks magnify stresses through
percolation within and cascading failures across layers; natural environments from wetland to marine
ecosystems are degrading beyond the stage when they can protect coastlines or cities, or recover from bio-
diversity loss, while population and assets continue to be moved in vulnerable urban or coastal regions [12];
and indirect multiplier effects can be large given increased connectivity [13]. Crucial issues that need to
be understood in this context are generation and/or exacerbation of extreme stresses, resilience (robust-
ness and recovery) of the interconnected built and natural systems to these stresses, and consequences
of the stresses and systemic resilience elements across impacted natural, infrastructural, and societal sys-
tems. Key knowledge gaps include understanding the generation processes [14] and statistical attribute
of the extremes, potential changes in the nature of stressors and/or stressed and impacted systems, and
uncertainties (including intrinsic variability) associated with our understanding of these entities.
In the context of climate-related hazards, there has been increasing recognition of spatial and spa-
tiotemporal correlation [15] and tail dependence among extreme events. Therefore, understanding the
dependence structure among extreme events (such as large-scale extremes and anomalies and intense local
storms, global warming, and extreme precipitation events [16]) is important to understand impacts of
these stressors on infrastructure and natural systems (stressed systems), and human lives and economies
(impacted systems). Correlation and interdependency in climate systems over large spatial scales are char-
acterized by teleconnection patterns, which refer to a recurring and persistent large-scale pressure and/or
circulation pattern that spans over vast geographical area [17]. The organization of teleconnections plays a
crucial role in stabilization of climate patterns, and hence delineating the global changes in architecture of
these patterns could be useful to identify the signature of global climate change. Temporally, climate sys-
tems are affected by the slow responding subsystems such as oceans, and hence climate variability usually
exhibits long-term memory, which means the present climate states may have long-term influences on the
states in far future [18]. Thus, the dominance of long-term processes suggests that any future exceedance
in threshold of sea-level rise regionally might be exceeded earlier or later than from anthropogenic change
alone as a result of melting glaciers and snowcaps [19]. Also, the simultaneous occurrence of extreme
events, such as simultaneous storms and floods at different locations, has serious impact on risk assessment
and mitigation strategies.
A strong feedback that exists between the weather extreme-induced stresses, and built and natural sys-
tems severely impacts these systems [20], resulting in loss of their essential functionality. These impacts
are further exacerbated by aging of critical infrastructure systems and lifelines, habitat loss and mass
extinctions in ecosystems as a result of increasing urbanization, and high population pressure. Infras-
tructure systems, which are “backbone” of prosperity and quality of life in modern societies, are highly
networked in nature, and failure of some specific components can result in the disruption of entire system’s
functionality via cascading failure [21]. Hence, failure in one system can percolate across the multiple sys-
tems, resulting in the extreme state of disruptions by “triggering a disruptive avalanche of cascading and
Network Science Perspectives on Engineering Adaptation 3

Cascading interdependencies across natural and built environments

Stressed systems:
natural environment

Stressors

Stressed systems:
built environment

Impacted systems:
society

FIGURE 1.1 Strong interdependencies exist between the stressors (e.g., hurricane, shown in the figure), stressed sys-
tems (e.g., ecosystems and lifeline networks for coastal megacities), and the impacted systems (e.g., urban communities
and financial institutions).

escalating failures” [4,5]. Similarly, loss of a small fraction of species from a natural ecosystem causes a
series of extinction of other dependent species, putting these systems at the risk of ecological community
collapse [22].
The climate- and weather-related extremes not only expose built environments to multiple hazards but
also bring about myriad consequences for humans and society. Community structure and connectivity
in the society are the key factors that determine how different shocks and disruptions, both natural and
man-made, impact the society. With the arrival of new tide of “soft technologies” [23], the societies are
getting less connected physically and strongly connected virtually. While closely operating societies may
be more adaptable and resilient to these shocks [24], the vulnerability of distant people is strongly corre-
lated through global environmental changes, global market linkages, and flows of information as shown in
Figure 1.1.
Past few decades have witnessed the steep rise in population in coastal regions, megacities, and adjoining
regions, which is expected to continue for coming decades. These populations are highly sensitive to many
hazards and risks: flood, climate change-induced sea-level rise, and disease outbreaks. Also, the severe pop-
ulation stress in these cities as a result of mass migration and urban-centric growth puts extreme stress on
already crumbling infrastructure systems of these megacities. The combined effect of over-virtualization
of social networks and mass migrations coupled with evolving nature of hazards, specifically in the back-
drop of climate change, has made these social networks dynamic in space and time, thus contributing to
the “nonstationarity” in social networks [25]. Table 1.1 summarizes the role of “nonstationarity” and “deep
uncertainty” across the three systems under consideration.

1.3 Network Science in Climate Risk Management

Given the strong correlation that exists within and across the stressors, stressed, and impacted systems, net-
work representation can be a plausible unified framework to represent knowledge in the aforementioned
4 Large-Scale Machine Learning in the Earth Sciences

TABLE 1.1 Common Attributes of the Stressors, Stressed, and Impacted Systems

Attributes →
and systems ↓ Correlation Extremes Nonstationarity Deep uncertainty

Climate change Teleconnections [17]; More intense heat Trends in Climate chaos [29];
and weather multivariate and waves [26]; persisting extremes [28] predictive surprises [30];
extremes multiscale dependence; cold extremes [27]; climate variability [31]
(stressors) long-term memory [8] intensifying precipitation
extremes [16]
Lifeline and Interdependent Cascades [34]; first-order Time-evolving Topological diversity [38];
natural systems systems [32]; transition [35]; ecological networks [37] parameter uncertainty [39];
(stressed) mutualistic ecological community collapse [36] chaos in ecosystems [29]
networks [33]
Social systems Social network Extreme stress on Mass Uncertain data [25];
(impacted) analysis [40] communities [40] migrations [40] unanticipated policies [41]

systems. However, knowledge acquired from network-based representation and analyses should be supple-
mented and complemented with the information that aids our understanding about individual systems. For
example, in case of climate-related stressors, while network can give dynamical understanding of climate
oscillators and teleconnections, data sciences, statistics, and local-scale physics [14] still play a pivotal role
in generation of actionable insights. In case of infrastructure systems, both built and natural, the network-
based knowledge needs to be complemented and supplemented with data acquisition, data representation,
information management, real-time data ingestion, and offline data analyses. Finally, in impacted sys-
tems, while network-based solution framework can bridge the key knowledge gaps in our understanding
of societal resilience, this knowledge may not be sufficient enough to inform the policy, econometrics, and
incentive structures for decision making.
The three systems alluded to above and represented in Figure 1.2, specifically, stressors (climate change
and weather extremes), stressed (lifelines and natural environment), and impacted systems (societal and
human) share two important attributes. First, the systems are dependent, often in a complex manner, and
further, they may be either subject to or cause/exacerbate extremes dependent in space and time, termed as
“correlated extremes.” Second, recent evolution of these system lead to what has been called “nonstation-
arity with deep uncertainty”, or considerable changes in patterns (giving rise to situations where history
is no longer a sufficient guide to future) and unwieldy uncertainty (a mix of known unknowns, unknown
unknowns, and intrinsic systemic variability).
Despite the increasing complexity in threats and interdependencies in technical, social, and econom-
ical systems, conventional risk management frameworks have focused on strengthening these specific
components to withstand the identified threats to an acceptable level and hence preventing the overall
system failure. As outlined in the commentary in Nature Climate Change [6], enabling these capacities
requires specific methods to define and measure resilience and modeling and simulation techniques for
highly complex systems to develop resilience engineering. Figure 1.3 shows the resilience management
framework with risk as a central component. Risk of climate-related hazards results from the interaction
of climate-related hazards with the vulnerability and exposure of natural, built, and human systems [42].
It is noted that analogy can be drawn between the three elements of risks (Figure 1.3) with the three
layers shown in Figure 1.2. That is, threats are analogous to climate stressors, vulnerabilities to the stressed
systems, and exposed systems to the impacted systems, which are social systems in the present con-
text. However, given the strong bidirectional feedback among the three systems referred to in Figure 1.2,
this analogy may not always hold true since specific system can assume any of the three roles in risk
management framework.

1.3.1 New Resilience Paradigm

While conventional risk management framework focuses on strengthening one specific component at a
time, resilience management framework adopts a holistic system-level approach to identify system-level
Network Science Perspectives on Engineering Adaptation 5

Network view to stressors, stressed, and impacted systems

s
Extreme
rt a in ty
” unce
s a n d “Big Data
ange network tremes
Regional ch Climate ather ex
ge and we
hydrology : climate
ch a n
Stressors

ctures
infrastru
Critical
&
urces tworks
Key reso cture ne
/g re e n infrastru o systems
e c te d b lue/grey t lifelin es and ec
n enden
Intercon interdep
systems:
Stressed
redness
& prepa
o c ia l n etworks l incentives
S
Financia ance
l govern
Regionaaction plans

nse
rd respo ve s
ia and ha z a e incenti
Socia l m e d
a n d g o vernanc
nsions
an dime
cy: hum
Society and poli

FIGURE 1.2 (See color insert.) A multilayered and unified framework can represent the coupled system where
(a) climate change and weather or hydrological extremes are the stressors; (b) interdependent lifeline and envi-
ronmental systems are the stressed systems; and (c) social networks of communities and regions are the impacted
systems. This representation enables a unified quantitative framework, but particular instantiations of this network
are necessary and sufficient to answer specific questions.

Resilience management framework

Th
rea
s t

Risk Vulnerability
re

Antifragility
su
Essential functionality

po
Ex

Suboptimal recovery
ry
Re

Impact area
ove
sp
on

Rec
es

Time

FIGURE 1.3 In system resilience framework, risk can be interpreted as the total reduction in critical functionality,
while resilience is related to absorption of the stress, rate of reduction in essential functionality, and recovery of essential
functionality after adversity. The postrecovery state of the system—measured in terms of essential functionality—can
be better, equal to, or worse than prehazard state of the system.
6 Large-Scale Machine Learning in the Earth Sciences

functionalities that are crucial, understand and improve the interconnectivity of interdependent net-
works, enhance social networks, and bridge the gaps in policy shortfalls to mitigate and recover from the
unforeseeable impacts the evolving stressors, including climate change, can produce. It should be noted
that resilience is not an alternate to either risk management or engineering design principles for designing
specific components. Rather, resilience is a complementary attribute to improve the traditional risk man-
agement framework, which is useful and widely accepted tool in mitigating the foreseeable and anticipated
stress situations.
A roadmap to enable resilient design practices requires (1) understanding the correlations and evolving
nature of adverse events that can impact the functionality of infrastructure systems and/or society; (2)
approaches for computing robustness of the highly complex systems; (3) identifying the most important
(or influential) components within individual systems; and (4) development of new simulation techniques
to understand the resilience (response and recovery) of isolated as well as interdependent systems. The
next section discusses how network science-based technology Stack (Net tech Stack) can serve as a unified
framework to understand and hence quantify resilience for highly complex and interdependent systems.
However, the instantiations of each of these systems, represented by networks, are necessary to address
specific challenges. The representation and model can be combined with sensor and data engineering,
computational process models, data science methods, and uncertainty propagation in forward or feedback
processes to develop intervention strategies for monitoring and early warning, managing cascading failures
and graceful recovery, proactive designing, and developing vulnerability and risk models.

1.4 Network Technology Stack

As discussed in previous sections, the three systems under consideration, stressors, stressed, and impact,
are highly complex, interconnected, and interdependent in nature. Hence, understanding the complicacy
and control of these systems is one of the key challenges to enable resilient design practices. Network
science-based technology stack (Figure 1.4) in combination with data diagnostics, online (real-time) data
acquisition, offline data analyses, and process modeling can help in understanding the complexity and
interdependency, thus enabling the embedment of resilient engineering practices into design of the net-
worked systems. Network science-based methods have been used for change detection, correlative and
predictive analyses in weather and climate [8], robustness and resilience of infrastructures [3] and ecosys-
tems, including percolations and cascades of failures, as well as for characterization of social systems.
Thus, network science methods may act as a connective technology across the stressors, stressed, and the
impacted systems, even though a comprehensive treatment of each system will require other approaches
as well. The full technology stack that enables network science methods and their adaptation to climate
change and resilient engineering is described next.
Network science finds its roots in graph theory and statistical physics. What distinguishes the network
science from graph theory is its empirical and data-driven nature. Tools of networks derive the formalism
to deal with graphs from graph theory and the conceptual framework to deal with universal organizing
principles and randomness from statistical physics [43]. Since real-world networks usually have massive
volume of data behind them, this field actively borrows algorithms from data sciences, including database
management, and data mining. From modeling perspective, a network comprises of nodes and links. Links
between a pair of nodes are placed to reproduce the complexity and randomness of individual systems. The
key attribute of each node in a given network is degree, representing the number of links it has to other
nodes with degree distribution representing the probability distribution of these degrees over the entire
network. Along with the topological complexity, these systems display a large heterogeneity in the capacity
and intensity of links, which is measured by the weight of each link. Analogous to the degree of the node,
strength of a node is measure of the sum of weight of all links incident upon a node.
Since processes that shape individual systems differ greatly, the network architecture behind individual
systems may vary greatly. Yet a key discovery of network science is universality, which means that evolution
Network Science Perspectives on Engineering Adaptation 7

Network Technology Stack

Stressed systems

Interdependent Infrastructure systems

Ecological systems infrastructures Transportation network
Plant pollinators Power grid
Seed dispersal Water distribution
Marine habitats

Network multiplex
Catastrophic cascades
First-order transition

Resilience

Individual networks
Random networks
Scale-free networks
Robustness Small-world property
Evolving networks

Impacted systems
Stressors
Climate networks Network Degree
node weight
link strength

Graph theory Data sciences Social networks

Floods Heat waves
• Directed statistical physics
Hurricanes Cold snaps
• Undirected
• Acyclic

FIGURE 1.4 (See color insert.) Complex network-based technology stack in combination with sensor and data engi-
neering, computational process models, and data science methods can potentially serve as a unified framework to meet
these challenges. Tools to model single and interdependent networks come from network science and contribute to
insights for the lifelines and ecosystems. Since all the three systems—stressors, stressed, and impacted systems—share
common attributes of correlation and interdependence, fundamental network science breakthroughs and state of the
art leads to novel adaptations or (in some cases) customization and then onward to new science or engineering insights.

of networks emerging in various domains of science and technology are similar to each other, enabling the
applications of common set of mathematical and machine learning-based tools to explore these similarities
making network science applicable to the heterogeneous systems. For example, many real-life systems such
as transportation networks [44] and communication networks [45] exhibit a exponentially decaying tail in
degree distribution and hence characterized as “scale-free” networks [43].
Although real-world infrastructure systems are highly interdependent and interconnected in nature,
large number of studies have modeled and analysed the networks as single networks with underlying
assumption that these networks can be isolated from each other. However, in interdependent networks,
relatively localized failure in one system can percolate through the interconnected web or network of net-
works [5], triggering a “disruptive avalanche of cascades” [4]. Despite the fact that network science-based
methods have advanced our understanding of individual and interdependent systems, percolation-based
8 Large-Scale Machine Learning in the Earth Sciences

models are a very stylized representation of the network’s response to the damage and hence lack the
realism to capture many of the features that contribute to the resilience and robustness of real-world sys-
tems [4]. Moreover, given the strong bidirectional feedback that exists between the climate-induced stres-
sors, stressed, and impacted systems, enabling resilient design practices requires a coherent understanding
of the feedbacks within and across these systems, network science-based frameworks, in combination
with sensor and data engineering and computational process models, which can lead to new scientific
and engineering insights.

1.5 Case Studies: Telescoping Systems of Systems

Given this universality and applicability of network science, complex networks have been used to under-
stand the structure, dynamics, and robustness of individual systems such as climate, Internet, transporta-
tion networks, and ecological and social systems. Network science analysis can delve into complex systems
ranging from climate networks, infrastructure systems, to ecology and human systems. While under-
standing the network characteristics is crucial to understand the fundamental network properties (such
as degree and strength distribution, network centrality measures, community structure, identification of
hubs), enabling resilience into the system design may require information at higher spatial resolution (e.g.,
vulnerabilities and interdependencies of lifeline networks at facility level). In case of natural systems, net-
work science has been used to understand the large-scale interdependencies among climate variables,
regional analysis of spatial and temporal analysis of extreme rainfall patterns over South East Asia [46],
sub-system level analysis using spatial pattern analysis [52], and phase synchronization analysis to track
the climate oscillators in different geographical regions [47].
In context of built systems, complex network-based framework has been used to understand the con-
nectivity patterns in infrastructure systems ranging from global (e.g., world air transportation network,
global cargo ship networks) to national (e.g., Chinese [44] and Indian railroad networks [53]) to system
scale (e.g., Boston subway) [51].
Similarly, social networks have been studied at multiple spatial scales to understand the network charac-
teristics at global scales (e.g., robustness and search in global social networks), national scale (e.g., impact of
climate-related hazards on social networks in Uruguay), and to answer specific questions (e.g., identifying
key players in the key network).
Table 1.2 shows the applicability of network science to stressors, stressed, and impacted systems at spatial
scales ranging from global to regional to local. Despite the generalizability of network science-based tools
to a broad spectrum of systems, the insights obtained at a particular spatial scale may not be generalized at
multiple spatial scales. Hence, development of network science-based “telescoping of systems-of-systems”
(Figure 1.5), analogous to nested systems in climate (e.g., regional climate models [RCMs] that sit within

TABLE 1.2 Conceptual Representation of “Telescoping Systems of Systems” for Infrastructure Systems Operating at
Spatial Scales Ranging from System to Regional to National and Global Scales

Scale → and systems ↓ Global Regional/national System level

Climate change and Multiscale dependence in Analysis of spatiotemporal Phase synchronization

weather extremes climate systems [8] monsoon rainfalls over analysis to track
(stressors) South Asia [46] El-Nino
̃ [47]
Lifeline and natural Air transportation National Railways Small world property in
systems (stressed) network [48]; global cargo system [44]; resilience of Boston subway [51];
networks [49] urban infrastructure [50] nestedness in
ecosystems [33]
Social systems Search in global social National social networks; Key players in social
(impacted) networks Anatomy of urban–social networks
networks
Network Science Perspectives on Engineering Adaptation 9

National

Regional and
Air transportation: USA Power-grid and megaurban
transportation: India

Multiscale built-natural
Global infrastructures
interconnected and telescoping
engineered systems

System level

FIGURE 1.5 “Telescoping systems of systems” for multiscale infrastructure systems.

global circulation models [GCMs]), can provide more specific detailed simulations for systems operating
at diverse spatial scales.

1.6 Conclusion
The challenges in the coupled system-of-systems comprised of the stressors (climate change and extreme
weather), stressed (built-natural lifelines), and impacted (human and social) systems are twofold: corre-
lated and unprecedented extremes on highly interconnected systems as well as nonstationarity and deep
uncertainty in the systems. Nonstationarity in this context goes beyond statistical definitions to large
changes where history is no longer a sufficient guide to the future and engineering and planning principles
need to change accordingly, while deep uncertainty refers to situations where translation to likelihood-
based risks and hence risk-based design may not be feasible, thus motivating flexible design principles.
While complex network-based frameworks, including network science technology stack and “telescoping
systems of systems,” could potentially help enable the resilient design practices in changing climate scenar-
ios. Given the promise these climate networks have exhibited to understand the characteristics of highly
complex systems, it may not be even necessary and sufficient to represent the systems’ state. For example,
in context of social networks, though network science-based methodologies have delved crucial informa-
tion about architecture of these networks, it does not take into behavioral, social, and cultural attributes of
these systems into account. Similarly, in context of climate-related stressors, while understanding of cou-
pling in climate systems may yield new insights about stability of climate systems, processes that generate
extremes may be synoptic or mesoscale. This means that the network science should not serve as “the ham-
mer and the nail” solution to the challenges discussed for each of the three systems. Enabling the resilient
design and engineering practices, specifically in the context of climate change and weather-related haz-
ards, needs to integrate the system-level visualization with sensor and data engineering, computational
process models, data science methods, and uncertainty propagation in forward or feedback processes.
A 2014 survey at the World Economic Forum (WEF) identified “failure of climate change mitigation and
adaptation” and “greater incidence of extreme weather events (e.g., floods, storms, fires)” as two of the top
ten global risks of highest concern. The U.S. National Academy of Engineering (NAE) lists “restore and
improve urban infrastructures” and “engineer the tools for scientific discovery” as two of fourteen grand
10 Large-Scale Machine Learning in the Earth Sciences

Inform
ed decisi ed
ov nes on
li s

gui r
Imp
de
Vicious circle: uous circ
irt

Economic
rewards
le
Cycle of under-preparedness and disruptions:

V
Vulnerability to change worsened by uncertainty

engi
N o er in
Fragility to disruptions amplified by connectivity

ne
ve
l g
cy/socie
Poli t ering Pl a n n e d
myopia al engine i n t e r v e nt i o n s
s Climate-aware systems
l al
of built-natur
ve
disince ia
nti
c

b
Finan

Ou practices
es
t
tdated

Vic e Virtuous circle:

io u s c i r cl
I n tio

eq Cycle of sustained growth under adversity:

ad
ac

n ua
te ing Action under uncertainty aids adaptation to change
pl e er
an
s E n g i n ati o n Managing interdependence improves resilience
st a g n

FIGURE 1.6 Motivating climate-aware engineering to meet the uncertain disasters.

challenges in engineering. The broad vision for future research is to create a consensus for addressing the
challenges described in this chapter. A critical momentum is needed (Figure 1.6) to prevent from plunging
into a vicious cycle of economic disincentives, policy myopia, and social inertia, resulting in stagnation
of engineering and science, to a virtuous cycle of resilient infrastructures, climate preparedness, sustained
economic growth, social justice, and greater security.

References
1. Climate change: Cold spells in a warm world. Nature, 472(7342):139–139, April 2011. Available at
http://www.nature.com/nature/journal/v472/n7342/full/472139d.html.
2. Aiguo Dai. Increasing drought under global warming in observations and models. Nature Climate
Change, 3(1):52–58, January 2013.
3. Udit Bhatia, Devashish Kumar, Evan Kodra et al. Network science based quantification of resilience
demonstrated on the Indian railways network. PLOS ONE, 10(11):e0141890, 2015.
4. Alessandro Vespignani. Complex networks: The fragility of interdependency. Nature,
464(7291):984–985, April 2010.
5. Jianxi Gao, Sergey V. Buldyrev, H. et al. Percolation of a general network of networks. Physical Review
E, 88(6):062816, December 2013.
6. Igor Linkov, Todd Bridges, Felix Creutzig et al. Changing the resilience paradigm. Nature Climate
Change, 4(6):407–409, June 2014
7. Amit Sheth. Transforming Big Data into smart data: Deriving value via harnessing volume, vari-
ety, and velocity using semantic techniques and technologies. In 2014 IEEE 30th International
Conference on Data Engineering (ICDE), pp. 2–2, March 2014.
8. Karsten Steinhaeuser, Auroop R. Ganguly, and Nitesh V. Chawla. Multivariate and multiscale
dependence in the global climate system revealed through complex networks. Climate Dynamics,
39(3–4):889–895, June 2011.
9. Zhenning Kong and E.M. Yeh. Resilience to degree-dependent and cascading node failures in ran-
dom geometric networks. IEEE Transactions on Information Theory, 56(11):5533–5546, November
2010.
Exploring the Variety of Random
Documents with Different Content
 Kello yhdentoista vaiheilla aamupäivällä tuli pääkaupunki näkyviin
muurien saartamana, joita vielä suojasi ympärysmitaltaan lähes
parinkymmenen kilometrin pituinen vallihauta. Kadut olivat leveitä ja
suorakulmaisesti suunniteltuja tasaisella maaperällä, ja keskellä
kohosi iso torni, jonka pohjoislaidan täytti kuninkaan palatsi. Tätä
laajaa rakennusryhmää ylemmäksi kohosi eräänlainen parveke,
lyhyen matkan päässä siitä neliömäisestä alasta, joka oli varattu
uhritoimituksille. Juhlapäivinä tältä parvekkeelta heitettiin kansan
käsiin vankeja, jotka oli sidottu pajukoreihin, ja oli helppoa kuvitella,
kuinka raivoisasti onnettomat uhrit revittiin kappaleiksi.

Hallitsijan palatsin jakoivat eri osiin monet pihat, ja muutamia

näistä reunustivat varsinaiset kasarmit, joissa asusti neljätuhatta
naissoturia, osana kuninkaallista armeijaa, vieläpä sen urhoollisinta
väkeä.

Jos olikin epätietoista, oliko amatsoneja samannimisen virran

varrella, niin Dahomeyssa sitä ei tarvinnut lainkaan epäillä. Toisilla
näistä oli sininen paita, sininen tai punainen olkahihna, valkoiset
siniraidalliset housut, valkoinen patalakki, patruunalaukku vyöllä;
toisilla, jotka pyydystivät norsuja, oli aseina raskas karhiini ja
lyhytteräinen tikari, ja päässä heillä oli rautavanteilla kiinnitettynä
kaksi antiloopinsarvea; tykkinaisilla oli puoleksi sininen ja punainen
puku ja aseina musketteja ja vanhanaikaisia valukanuunia, ja sitten
oli vielä pataljoona nuoria tyttöjä, joiden pukuna oli sininen takki ja
valkoiset polvihousut ja jotka olivat todellisia vestaaleja, siveitä kuin
Diana ja hänen laillaan aseistettuja jousilla ja nuolilla.

Kun näihin amatsoneihin lisättiin viisi- tai kuusituhatta miestä,

joilla oli puuvillaiset housut ja paidat ja vaatekappale sidottuna
vartalon ympärille, oli luotu yleissilmäys Dahomeyn armeijaan.
 Abomey oli tänään perin autio. Hallitsija, hänen henkilökuntansa,
mies- ja naispuolinen armeija, väestö — kaikki olivat lähteneet
pääkaupungista marssiakseen muutaman kilometrin päässä olevalle
laajalle kentälle, jota ympäröi rehevä metsä.

Tällä kentällä suoritettaisiin ne juhlallisuudet, jotka kuuluivat

uuden kuninkaan valtaistuimelle nousemiseen. Siellä aiottiin hänen
kunniakseen uhrata tuhansia vankeja, jotka oli saatu viime aikojen
ryöstöretkillä.

Kello oli noin kaksi, kun Albatross saavuttuaan kentän kohdalle

alkoi laskeutua keskellä muutamia utupilviä, jotka vielä kätkivät sen
dahomeylaisten katseilta.

Heitä oli siellä vähintään kuusikymmentä tuhatta, kaikilta

valtakunnan eri tahoilta, Ouidahista, Kerapaysta, Ardrahista,
Tomborysta, etäisimmistäkin kyläkunnista.

Uusi kuningas — reipas mies, nimeltä Bu-Nadi,

kahdenkymmenenviiden ikäinen — oli asettunut pienelle kummulle,
jota varjosti ryhmä hyvin lehteviä puita. Hänen edessään tungeksi
uusi hovikunta, mies- ja naispuolinen armeija ja taempana koko
kansa.

Kummun juurella kaiutteli viisikymmenhenkinen orkesteri

raakalaissoittimiaan, norsujen torahampaita, joista lähti römeä ääni,
naarashirvien nahoista kyhättyjä rumpuja, kalebasseja, kitaroita,
rautakielisiä kelloja ja bambuhuiluja, joiden kimeä vihellys kuului yli
kaiken muun. Tavantakaa laukaistiin kiväärejä ja musketteja ja
annettiin kanuunienkin jyrähdellä, jolloin niiden lavetit hyppivät niin,
että tykkiamatsonit olivat hengenvaarassa, ja lopuksi halkaisi ilmaa
niin valtava ulvonta ja pauhu, että ukkosenkin ääni olisi siihen
hukkunut.

Kentän nurkkaan oli sotamiesten vartioitavaksi koottu ne vangit,

joiden oli määrä saattaa kuningasvainajaa toiseen maailmaan, sillä
vaikka hän olikin kuollut, hän ei silti vähääkään menettänyt
etuoikeuksia, jotka kuuluivat hallitsijalle. Haudatessaan isänsä
Ghozon oli Bahadu lähettänyt hänen mukaansa kolmetuhatta vankia,
eikä Bu-Nadi voinut olla edeltäjäänsä kohtaan kitsaampi. Eikö
muuten ollutkaan tarpeen lukuiset airueet, kun piti kutsua sekä
autuaat henget että taivaan koko isäntäväki jumalaksi julistetun
itsevaltiaan saattojoukkoon?

Tunnin ajan kesti yhtä mittaa muistopuheita, viimeisiä

tervehdyksiä ja muuta suunsoittoa, keskeytyen vain välistä tanssien
vuoksi, joita suorittivat sekä varsinaiset bajadeerit että amatsonit.
Jälkimmäiset toivat siinä esille kerrassaan sotaista suloa.

Mutta uhritoimituksen hetki läheni. Robur tunsi Dahomeyn veriset

tavat eikä päästänyt näkyvistään vankeja, miehiä, naisia ja lapsia,
jotka oli varattu tähän teurastukseen. Minghan seisoi valmiina
kummun juurella ja heilutti käyräteräistä pyövelinmiekkaansa, jonka
kärjessä oli metallinen lintu tekemässä painollaan sivalluksen
varmemmaksi.

Tällä kertaa hän ei ollut yksin, sillä hän ei olisi ehtinyt katkaista
kaikkien päitä. Hänen lähelleen oli ryhmittynyt satakunta pyöveliä,
jotka olivat tottuneet yhdellä iskulla sivaltamaan kaulan poikki.

Samalla Albatross lähestyi vähitellen laskeutuen, hiljentäen ylä- ja

vetopotkuriensa vauhtia. Sitten se tuli esille utupilvistä, jotka olivat
kätkeneet sen vielä silloinkin, kun se oli tuskin sadan metrin
korkeudessa, ja nyt se tuli ensi kerran näkyviin.

Vastoin sen tavallisesti herättämää vaikutusta kävi tällä kertaa niin,

että nämä julmat alkuasukkaat pitivät sitä vain taivaallisena
olentona, joka oli vartavasten laskeutunut osoittamaan
kunnioitustaan kuningas Bahadu-vainajalle.

Siitä nousi kuvaamaton ihastus ja loppumattomia

tervehdyshuutoja, ja sitten kohdistettiin meluisia pyyntöjä ja
rukouksia tälle yliluonnolliselle siivekkäälle ratsulle, joka varmaankin
saapui noutamaan hänen majesteettinsa ruumista Dahomeyn
taivaan korkeuksiin.

Tällä hetkellä kierähti maahan ensimmäinen pää minghanin

miekan katkaisemana. Sitten työnnettiin satoja muita vankeja heidän
hirveiden pyöveliensä eteen.

Äkkiä kuului Albatrossista kiväärinlaukaus, ja oikeusministeri kaatui

suulleen.

— Hyvin tähdätty, Tom, Robur sanoi.

— Mitä vielä! Osaahan tuommoiseen laumaan, työnjohtaja vastasi.

Hänen toverinsa, joilla oli myös ampuma-aseet, olivat valmiina heti

laukaisemaan saatuaan insinööriltä merkin.

Mutta väkijoukossa oli tapahtunut muutos. Nyt oivallettiin, kuinka

oli asia. Siivekäs hirviö ei ollutkaan suopea henki, vaan kerrassaan
vihamielinen tälle hyvälle Dahomeyn kansalle. Ja minghanin
kaatumisen jälkeen huudettiin kostoa joka taholta. Pian alkoivatkin
kiväärit paukkua pitkin koko kenttää.
 Nämä uhkaukset eivät kuitenkaan estäneet ilma-alusta rohkeasti
painumasta niin alas, että maahan oli enää tuskin viittäkymmentä
metriä. Setä Prudence ja Phil Evans eivät voineet olla yhtymättä
tähän ihmisystävälliseen pelastustyöhön, mitä tunteita heillä muuten
olikin Roburia kohtaan.

— Niin juuri, vapauttakaamme vangit! he huusivat.

— Sitä aionkin, insinööri vastasi.

Ja Albatrossin pikakiväärit aloittivat molempien amerikkalaisten ja

miehistön hoitamina kiivaan tulituksen eikä yksikään luoti erehtynyt
tiheässä ihmisparvessa. Sitä paitsi ilma-aluksen pieni tykki
käännettiin niin tarkasti kuin suinkin oikeaan suuntaan, ja siitä
pamautettiin maaliin muutamia kartusseja, jotka tekivät ihmeitä.

Vangit eivät lainkaan käsittäneet tätä ylhäältä tullutta apua, mutta

katkoivat riemastuneina siteensä, samalla kun sotamiesten kaikki
huomio oli kiintynyt uuden vihollisen torjumiseen. Muuan luoti
puhkaisi etummaisen potkurin, ja jotkut toiset ammukset sattuivat
keskelle runkoa. Frycollin, joka oli piiloutunut hyttinsä perälle, oli
vähällä saada luodin nahkaansa seinänkin läpi.

— Vai niin, niiden tekee mieli maistaa tätä lisää! Tom Turner
huudahti.

Ja käytyään alhaalla ampumavarastossa hän toi sieltä tusinan

verran dynamiittipanoksia, jotka jaettiin miesten kesken. Kun Robur
oli antanut merkin, panokset heitettiin kummulle. Maahan osuessaan
ne räjähtivät kuin pienet pommit.
 Hirveä pakokauhu valtasi kuninkaan, hoviväen, armeijan ja
kansan, eikä sitä voinutkaan ihmetellä, kun he olivat joutuneet
tekemisiin tällaisen vihollisen kanssa. Kaikki riensivät hakemaan
suojaa puiden alta, ja vangit karkasivat, eikä kenenkään mieleen
tullut lähteä ajamaan heitä takaa.

Näin häirittiin Dahomeyn uuden kuninkaan kunniaksi järjestettyjä

juhlallisuuksia. Ja setä Prudencen ja Phil Evansin täytyi mielessään
tunnustaa, että tällaisella ilma-aluksella oli tavattomia voimakeinoja,
joilla voitiin tehdä ihmiskunnalle suuria palveluksia.

Sitten Albatross kohosi kaikessa rauhassa tavalliseen

korkeuteensa, kiitäen Ouidahin päällitse. Pian sen näkyvistä katosi
tämä villi rannikko, jota lounaistuulet saartoivat läpipääsemättömän
ankarin tyrskyin.

Nyt leijailtiin Atlantin yllä.

VALTAMEREN POIKKI.

Niin, Atlantilla! Oli siis käynyt niin kuin molemmat virkaveljet

pelkäsivät. Mutta Robur ei näyttänyt olevan vähääkään levoton
uskaltaessaan lähteä tämän laajan valtameren ylle. Se ei
huolestuttanut sen enempää häntä itseään kuin hänen väkeään, joka
varmaan oli tottunut tällaisiin pitkiin lentoihin. Nytkin he palasivat
tyynesti kukin paikalleen, eivätkä painajaiset häiritsisi heidän untaan.

Minne Albatross oli matkalla? Aikoiko se siis, kuten insinööri oli

sanonut, lentää maapallon ympäri ja enemmänkin? Mutta sittenkin
täytyi olettaa, että tämä matka päättyisi jonnekin. Eihän voinut olla
mahdollista, että Robur viettäisi koko elämänsä yläilmoissa,
lentolaivassaan, eikä koskaan laskeutuisi maahan. Kuinka hän voisi
täydentää ruoka- ja ampumavarastojaan, puhumattakaan niistä
aineista, jotka olivat koneiden toiminnalle välttämättömiä? Kaiken
järjen nimessä hänellä täytyi olla edes jossakin tuntemattomassa ja
luoksepääsemättömässä maapallon kolkassa tukikohta, satama,
jossa Albatross voi jälleen hankkia kaikkea tarpeellista. Vaikka
myöntäisikin, että hän oli katkaissut kaikki suhteet maapallon
asukkaisiin, hänen oli kuitenkin laskeuduttava jollekin kohtaa
maapalloa.
 Jos kerran näin oli laita, niin missä se paikka oli? Kuinka insinööri
oli tullut sen valinneeksi? Odottiko häntä siellä pieni siirtokunta,
jonka johtaja hän oli? Saisiko hän sieltä uuden miehistön? Mutta
ensiksi: miksi nämä eri kansallisuuksista kerätyt miehet olivat
liittyneet häneen? Sitten: millä varoilla hän oli saanut rakennetuksi
näin kalliin aluksen, jonka valmistaminen oli pidetty ehdottomasti
salassa? Tosin sen ylläpito ei näyttänyt vaativan kovin suuria kuluja.
Ilma-aluksella vietettiin vaatimatonta elämää, ja kaikki olivat kuin
yhtä perhettä, onnellisia ihmisiä, jotka eivät sitä salanneetkaan
toisiltaan. Mutta kuka tuo Robur lopulta oli? Mistä hän oli kotoisin?
Millainen oli hänen menneisyytensä? Kaikki nämä kysymykset olivat
arvoituksia, joihin ei saatu vastausta, eikä se ainoa, joka voisi
vastata, varmaankaan koskaan suostuisi paljastamaan itseään.

Ei siis voi ihmetellä, että tämä tilanne, täynnä selittämättömiä

ongelmia, askarrutti molempia amerikkalaisia äärimmilleen. He
tiesivät olevansa vankeina ilma-aluksella, joka lensi tuntematonta
tulevaisuutta kohti, voimatta arvata, mihin seikkailu päättyisi, vieläpä
epäilivät, loppuisiko se koskaan vai oliko heidät tuomittu lentämään
loppuelämänsä. Eikö siinä ollut kylliksi suututtamaan Weldon
Instituutin puheenjohtajan ja sihteerin.

Mutta toistaiseksi, tästä heinäkuun 14. päivän illasta asti, Albatross

liiteli Atlantin valtameren yllä. Seuraavana päivänä auringon
noustessa se kohosi sen ympyräntapaisen viivan kohdalle, missä
taivas ja vesi näyttävät sulavan yhteen. Missään ei ollut näkyvissä
maata, niin avara kuin olikin näköpiiri. Afrikka oli kadonnut pohjoisen
taivaanrannan alle.

Kun Frycollin oli uskaltanut tulla esille hytistään ja näki allaan

tämän valtavan ulapan, hänet valtasi taas kauhu. Sanoimme, että
ulappa oli hänen "allaan", mutta oikeastaan se oli hänen ympärillään,
sillä näin korkealta katsellessaan näytti pohjaton tyhjyys saartavan
joka taholta, ja tähystäjän tasalle kohonnut näköpiiri tuntui
peräytyvän yhä kauemmas, niin ettei koskaan voi saavuttaa sen
reunaa.

Tietystikään Frycollin ei osannut selittää itselleen tätä ilmiötä

fysiikan lakien mukaan, mutta hän tunsi sen sielussaan ja
ruumiissaan. Se riitti herättämään hänessä sen tunteen, jota
sanotaan "tyhjyyden kammoksi" ja josta eräät muuten rohkeatkin
luonteet eivät voi vapautua. Neekeri oli kuitenkin niin varovainen,
ettei alkanut ruikuttaa. Silmät kiinni, käsillään hapuillen, hän palasi
hyttiinsä päättäneenä nyt pysyä siellä hyvän aikaa.

Atlantin valtameri vastaakin runsaasti neljättä osaa kaikkien

merten pinta-alasta, jonka lasketaan olevan neliökilometriä.
[Mantereiden pinta-ala on 136.051.371 neliökilometriä.] Mutta
insinöörillä ei näyttänyt enää olevan kiirettä, eikä hän ollutkaan
käskenyt panna koneita käymään täyttä vauhtia. Albatrossin olisikin
ollut mahdotonta saada sitä nopeutta, jolla se oli kiitänyt Euroopan
yli ja joka nousi kahteensataan kilometriin tunnissa. Näillä seuduilla
kävivät ilmavirrat enimmäkseen lounaasta, ja vaikka tuuli vielä olikin
heikko, se puhalsi kuitenkin edestäpäin ja hidasti Albatrossin kulkua.

Tällä kääntöpiirien välisellä vyöhykkeellä on ilmatieteilijäin

uusimpien, hyvin lukuisiin havaintoihin perustuvien tutkimusten
avulla saatu selvitetyksi, että pasaatituulet lähenevät toisiaan,
suuntautuen joko Saharaan tai Meksikonlahteen päin. Tyynen
vyöhykkeen ulkopuolella ne tulevat joko lännestä ja puhaltavat
Afrikkaan tai idästä ja puhaltavat uutta maailmaa kohti, ainakin
kuumana vuodenaikana.
 Albatross ei siis lainkaan yrittänyt puskea näitä vastatuulia vastaan
potkuriensa kaikella voimalla, vaan tyytyi kohtuulliseen vauhtiin, joka
silti ylitti nopeimman valtamerilaivan vauhdin.

Heinäkuun 13. päivänä oli kuljettu päiväntasaajan poikki, mikä

ilmoitettiin ilma-aluksen koko miehistölle.

Siten saivat setä Prudence ja Phil Evans tietää, että he olivat nyt
jättäneet pohjoisen pallonpuoliskon ja joutuneet eteläiselle. Tähän
tapahtumaan ei kuitenkaan liittynyt sentapaisia temppuja ja
juhlamenoja kuin joillakin sota- ja kauppalaivoilla.

Ainoastaan François Tapage noudatti niitä sen verran, että kaatoi

kipollisen vettä Frycollinin niskaan, mutta kun tätä kastetta seurasi
heti muutama lasillinen katajanmarjaviinaa, neekeri selitti olevansa
valmis kulkemaan päiväntasaajan poikki kuinka monta kertaa
tahansa, kunhan vain ei tarvitsisi lentää konelinnun selässä, missä
hänestä ei ollut lainkaan turvallista.

Aamulla heinäkuun 15. päivänä Albatross liiteli Ascensionin ja

Saint Helenan välitse, kuitenkin lähempänä tätä jälkimmäistä, jonka
kukkulat näkyivät taivaanrannalla muutamia tunteja.

Jos siihen aikaan, kun Napoleon oli englantilaisten käsissä, olisi

ollut sellainen lentokone kuin insinööri Roburilla nyt oli, niin Hudson
Lowe olisi loukkaavista varotoimistaan huolimatta joutunut
näkemään kuuluisan vankinsa pujahtavan karkuun ilmojen halki.

Heinäkuun 16. ja 17. päivän iltoina havaittiin merkillinen valoilmiö

auringon laskiessa. Pohjoisemmilla leveysasteilla sitä olisi luullut
revontuliksi. Mereen laskeva aurinko loi monivärisiä heleänvihreitäkin
säteitä.
 Pitikö asia selittää niin, että maapallo oli silloin joutunut kosmiseen
pölypilveen, joka heijasti auringon viimeisiä säteitä? Jotkut tutkijat
ovatkin väittäneet, että juuri se oli syynä hämyvaloon. Mutta tämä
arvelu olisi jätetty sikseen, jos havaintojen tekijät olisivat saaneet
tutkia ilmiötä Albatrossin kannelta.

Asiaa tutkittaessa todettiin, että ilmassa leijui pieniä

pyrokseenikiteitä, lasimaisia kuplia, hienonhienoja hiukkasia
magneettista rautaa, joka on samantapaista ainetta kuin mitä eräät
tulivuoret purkavat sisästään. Sen nojalla voitiin pitää varmana, että
jokin toimiva tulivuori oli syössyt ilmaan tällaisen pilven, jonka
kidemäiset hiukkaset saivat aikaan puheena olevan ilmiön ja joka
ilmavirtojen kuljettamana oli silloin Atlantin valtameren yllä.

Sitä paitsi tällä taipaleella saatiin havaita useita muitakin ilmiöitä.

Monta kertaa sattui, että jotkin pilvenlongat antoivat taivaalle
omituisen näköisen harmaan värityksen. Kun sitten oli päästy eroon
tästä utuverhosta, näytti pitkin taivaanlakea olevan räikeänvalkoisia,
häikäiseviä hattaroita, jotka olivat syntyneet pienistä jähmettyneistä
hileistä. Tällä leveysasteella ei sitä voinut selittää muutoin kuin että
korkealla kehittyi jokin rakeiden kaltainen ilmiö.

Heinäkuun 18. päivän vastaisena yönä nähtiin kuun sateenkaari,

joka oli vihertävän keltainen. Syynä siihen oli ilma-aluksen asema
täysikuun ja hienon tihkusateen välillä, joka haihtui höyryksi
ehtimättä sataa mereen.

Voitiinko näistä eri ilmiöistä tehdä se johtopäätös, että sää pian

muuttuisi? Kenties. Olkoon kuinka tahansa, mutta ainakin tuuli, joka
Afrikan rannikolta lähdettyä oli puhaltanut lounaasta, oli alkanut
tyyntyä päiväntasaajan tienoilla. Tällä trooppisella vyöhykkeellä oli
tavattoman kuuma. Siksi Robur lähti hakemaan viileyttä ylemmistä
ilmakerroksista. Lisäksi täytyi suojata itseään auringolta, jonka
kohtisuora säteily oli sietämätöntä.

Ilmavirroissa tapahtuneesta käänteestä voitiin jokseenkin varmasti

aavistaa, että toisella puolella päiväntasaajaa olisi sää erilainen. Sitä
paitsi on huomattava, että eteläisellä pallonpuoliskolla heinäkuu
vastasi meidän tammikuutamme, siis sydäntalvea. Jos Albatross
lentäisi kauemmas etelään, se joutuisi piankin kokemaan sen
vaikutuksia.

Meressäkin oli sen "tuntua", kuten merimiehet sanovat. Heinäkuun

18. päivänä, kauriin kääntöpiirin takana, sattui muuan uusi ilmiö,
joka olisi voinut hiukan pelottaa tavallista laivaa.

Valtameren pintaa pitkin levisi omituisia loistavia aaltoja arviolta

vähintään sadan kilometrin tuntivauhtia. Nämä laineet etenivät noin
seitsemän metrin päässä toisistaan, pitkiä valovakoja viiltäen.
Samalla kun nyt läheni yö, kohosi valtava hohde Albatrossiin saakka.
Tällä kertaa olisi sitä voinut luulla joksikin liekehtiväksi meteoriksi.
Koskaan ennen ei Robur ollut joutunut liitelemään tavallaan
tulimeren yllä, jonka tulessa ei ollut kuumuutta ja jota siis ei
tarvinnut paeta nousemalla yläilmoihin.

Selityksenä tähän ilmiöön ei voinut olla muu kuin sähkö, sillä oli
mahdotonta olettaa sen johtuvan kalojen kutusärkästä tai valtavasta
pieneliöiden kasaumasta.

Voitiin päätellä, että ilmakehän sähköjännite oli silloin

poikkeuksellisen suuri.

Ja heinäkuun 19. päivänä olisi mereen ehkä mikä tahansa laiva

haaksirikkoutunutkin. Mutta Albatross uhmasi tuulia ja aallokkoa sen
väkevän linnun kaltaisena, jonka nimen se oli ottanut. Jollei se
viitsinytkään hipaista aallonharjoja kuten myrskylinnut, se pystyi
kotkien tavoin nousemaan yläilmoihin tyyneen säähän ja
auringonpaisteeseen.

Nyt oli jo jätetty taakse 47. eteläinen leveyspiiri. Päivänvaloa kesti

enää vain seitsemän ja kahdeksan tunnin vaiheilla, ja se lyhenisi
vieläkin, mitä pitemmälle jouduttaisiin etelänavan seutuja kohti.

Kello yhden aikaan päivällä Albatross oli tuntuvasti laskeutunut

päästäkseen suotuisampaan ilmavirtaukseen. Se liiteli meren yllä
tuskin kolmenkymmenen metrin päässä sen pinnasta.

Sää oli tyyni. Muutamin paikoin taivaalla oli paksuja mustia pilviä,
jotka olivat yläosastaan nystyrämäisiä ja päättyivät jäykkään,
täydellisesti vaakasuoraan viivaan. Näistä pilvistä pisti esille
pitkulaisia kyhmyjä, jotka näyttivät kärjillään vetävän puoleensa
vettä, joka poreili niiden alla, kohoten kuin nestemäinen pensaikko.

Äkkiä vesi ponnahti ylös äärettömän ison rakkulan muotoisena.

Silmänräpäyksessä Albatross kietoutui jättimäiseen huimasti

pyörivään vesipatsaaseen, jonka perässä oli pian parikymmentä
muuta, kaikki sysimustia, mutta onneksi tämä pyörre kieppui
päinvastaiseen suuntaan kuin puolet ilma-aluksen nostopotkureita,
sillä mikäli pyöriminen olisi ollut samansuuntaista, olisi potkurien
teho supistunut melkein olemattomiin ja ilma-alus syöksynyt suoraan
mereen; nyt sen sijaan Albatross alkoi vesipatsaan mukana kieppua
paikallaan hirveätä vauhtia.

Vaara oli silti suuri ja tuhoutuminen näytti uhkaavan, kun ei päästy

eroon ilma-alusta imevästä pyörteestä, etu- ja takapotkurin
pystymättä irrottamaan sitä. Keskipakoisvoima heitti kaikki miehet
Albatrossin perään ja keulaan, missä heidän oli pideltävä kiinni
tangoista, jos tahtoivat välttyä lentämästä ulos avaruuteen.

— Rohkeutta! Robur huusi.

Sitä tarvittiinkin, ja myös kärsivällisyyttä.

Setä Prudence ja Phil Evans, jotka olivat juuri tulleet hytistään,

paiskautuivat perään, ja vähältä piti, etteivät he lentäneet yli laidan.

Samalla kun Albatross pyöri, täytyi sen myös seurata mukana

vesipatsaiden siirtyessä, jotka kieppuivat niin vinhasti, että potkurit
olisivat voineet kadehtia niitä. Jos se pääsikin yhdestä irti, siihen
tarttui toinen, ja aina oli tarjolla vaara, että ilma-alus rikkoutuisi tai
hajoaisi.

— Laukaiskaa tykki! insinööri huusi.

Käsky oli tarkoitettu Tom Turnerille. Hän oli tarrautunut kiinni

tykkiin, jonka paikka oli keskellä kantta. Siellä oli keskipakoisvoiman
vaikutus hyvin vähäinen. Hän ymmärsi heti, mitä Roburilla oli
mielessä, aukaisi tykin peräluukun ja työnsi siitä sisään panoksen,
jonka hän otti lavettiin kiinnitetystä laatikosta. Kohta pamahti
laukaus, ja äkkiä romahtivat kaikki vesipatsaat ja pilvikatot, joiden
varassa ne näyttivät olevan.

Ilman tärähdys oli riittänyt murtamaan luonnonilmiön, ja sateeksi

purkautuva pilviröykkiö veti näköpiiriin kohtisuoria juovia, jotka olivat
kuin merestä taivaaseen jännitetty ääretön nuotta.

Vihdoinkin vapaaksi päässyt Albatross kohosi nopeasti muutamia

satoja metrejä.
 — Onko mitään rikkoutunut? insinööri kysyi.

— Ei, Tom Turner vastasi, — mutta sellaista vonkuvaa hyrräpeliä

se oli, ettei tee mieli uudestaan.

Albatrossilla olikin kymmenen minuuttia uhannut varma tuho. Ellei

se olisi ollut hyvin vahvarakenteinen, olisi tämä vesipatsaiden pyörre
tehnyt siitä lopun.

Kuinka ikävystyttävän pitkiä olivatkaan tällä lennolla Atlantin yli ne

tunnit, jolloin mikään ilmiö ei keskeyttänyt yksitoikkoisuutta. Päivät
lyhenivät jatkuvasti, ja kylmyys kävi yhä purevammaksi. Setä
Prudence ja Phil Evans näkivät Roburia vain harvoin. Hyttiinsä
sulkeutuneena insinööri työskenteli mittaamassa ilma-aluksen reittiä,
merkitsemässä kartoille sen suuntaa, määrittämässä kulloistakin
sijaintia, jos se vain oli mahdollista, kirjoittamassa muistiin
ilmapuntarien, lämpömittarien, kronometrien lukemia ja myös
pitämässä lokikirjaa kaikesta, mitä matkan varrella tapahtui.

Samaan aikaan molemmat amerikkalaiset kyyristelivät pää hyvin

huppukauluksen suojassa ja yrittivät lakkaamatta tähystellä jotakin
manteretta etelässä päin.

Setä Prudencen nimenomaisesta kehotuksesta yritti Frycollin

puolestaan tiedustella kokilta kaikkea, mikä koski insinööriä. Mutta
miten voisi luottaa siihen, mitä tämä gascognelainen François
Tapage jutteli? Sen mukaan, mitä hän eri kerroilla väitti, Robur oli
entinen Argentiinan tasavallan ministeri, jonkin amiraliteetin
päällikkö, Yhdysvaltojen presidentti, joka oli pantu eläkkeelle,
entinen espanjalainen kenraali, Intian varakuningas, joka oli
kaivannut korkeampaa asemaa ja saanut sen yläilmoissa. Milloin hän
kuului koonneen miljoonia Albatrossin tekemillä ryöstöretkillä, joiden
vuoksi yleinen syyttäjä halusi saada hänet käsiinsä, milloin taas hän
oli käyttänyt koko omaisuutensa tämän koneen rakentamiseen,
minkä vuoksi nyt oli pakko suorittaa julkisia ilmaannousuja
ansaitakseen niillä rahansa takaisin. Jos kokilta kysyttiin, tiedettiinkö
Roburin aikovan koskaan laskeutua jonnekin, niin hän vastasi
jyrkästi, ettei maihin laskemisesta ollut puhettakaan, vaan että oli
aikomuksena mennä kuuhun ja asettua sinne, jos löydettäisiin sopiva
asuinpaikka.

— Mitäs sanot, Fry! Onko sinusta, kaveri, hauska päästä

katsomaan, kuinka siellä toisessa taivaankappaleessa eletään?

— Minä en mene sinne! Minä panen vastaan, selitti neekerihölmö,

joka piti näitä hassutuksia täytenä totena.

— Mutta miksi, Fry, mikä sinua pelottaa? Me hankimme sinulle

vaimoksi jonkin sievän ja nuoren kuuttaren. Sinusta tulisi siellä
neekerien kantaisä.

Ja kun Frycollin toisti näitä juttuja isännälleen, tämä käsitti

hyvinkin, ettei Roburista voinut saada minkäänlaisia tietoja. Hän ei
siis ajatellutkaan muuta kuin kostoa.

— Phil, hän sanoi eräänä päivänä toverilleen, — minusta näyttää

nyt täysin varmalta, että pakeneminen on mahdotonta.

— Kerrassaan mahdotonta, setä Prudence.

— Olkoon niin, mutta ihminen on aina oma herransa, ja jos tarve

vaatii, uhraan henkeni…

— Jos sellainen uhraus on tehtävä, niin tehtäköön se viipymättä!

vastasi Phil Evans, joka ei enää sietänyt tätä vankeutta, niin
kylmäpäinen kuin hän olikin. — Niin juuri, nyt on jo aika lopettaa.
Minne tämä Albatross on menossa? Nyt se kulkee viistoon Atlantin
poikki, ja jos tätä suuntaa jatketaan, tullaan Patagonian rannikolle,
sitten Tulimaan tienoille… Entä sitten? Lähdetäänkö kiitämään
Tyynenmeren yli vai seikkailemaan etelämantereelle? Roburilta voi
odottaa mitä tahansa. Silloin me olemme hukassa. Me olemme siis
joutuneet siihen tilaan, että itsepuolustus on täysin laillista, kun
meidän kuitenkin täytyy menettää henkemme…

— Niin ei saa tapahtua, setä Prudence keskeytti, — ennen kuin

olemme kostaneet, tuhonneet tämän aluksen miehineen päivineen!

Näin pitkälle menevän päätöksen he olivat molemmat joutuneet

tekemään voimattoman raivon kiihkossa, joka oli vallannut heidän
kaikki ajatuksensa. Koska siis muu ei auttanut, niin he uhraisivat
itsensä syöstäkseen perikatoon keksijän ja hänen salaisuutensa.
Ainoastaan muutamien kuukausien ajan saisi tämä ihmeellinen ilma-
alus olla olemassa, vaikka heidän täytyikin rehellisesti tunnustaa,
että se oli ehdottomasti muita koneita etevämpi ilmaliikenteen alalla.

Tämä koston ajatus oli niin juurtunut heidän mieleensä, etteivät

he muuta pohtineet kuin keinoja sen toteuttamiseksi. Mutta kuinka?
Voisiko anastaa Albatrossin varastoista räjähdysaineita, joilla sitten
lennätettäisiin koko laitos ilmaan? Mutta sitä varten oli keksittävä
keino, kuinka päästäisiin tunkeutumaan ammusvarastoon.

Onneksi Frycollin ei aavistanut mitään näistä hankkeista. Jos

hänen olisi pitänyt kuvitella, että Albatross räjähtäisi sirpaleiksi, hän
olisi voinut antaa ilmi oman isäntänsäkin.

Heinäkuun 23. päivänä näkyi taas maata lounaassa, melkein

Virgenes-niemen kohdalla, Magalhaesin salmen suulla. 54.
leveyspiirin toisella puolella kesti tähän vuodenaikaan yötä jo
melkein kahdeksantoista tuntia, ja ilman lämpömäärä laski
keskimäärin kuuteen asteeseen alle nollan.

Nyt Albatross ei enää painunut etelämmäksi, vaan alkoi kulkea

länteen, seuraten tämän salmen mutkia, kuin olisi halunnut sitä tietä
päästä Tyynellemerelle. Kun oli sivuutettu Lomasin kapea lahti ja
Gregoryn vuori jäänyt pohjoiseen ja Brecknockin vuoret länteen,
jouduttiin lähelle pientä chileläistä Punta Arenasin kylää, jossa
paraikaa kaikin voimin soitettiin kirkonkelloja, ja sitten muutamia
tunteja myöhemmin, Port Faminen vanhan siirtokunnan kohdalle.

Ovatko patagonialaiset, joiden tulia näkyi siellä täällä, todella

kookkaampia kuin tavalliset ihmiset, sitä eivät ilma-aluksen
matkustajat voineet arvioida, sillä pitkän välimatkan päästä ja
ylhäältä nähtyinä he olivat kääpiöitä.

Mutta kuinka suurenmoinen olikaan näköala eteläisen päivän

lyhyinä tunteina! Jyrkkiä vuoria, ikuisen lumen peittämiä huippuja,
joiden rinteillä oli kerroksittain sankkoja metsiä, sisämeriä,
lukemattomia lahtia ja niemimaita tämän saariston eri osien,
Clarencen, Dawsonin, Desolacionin, välissä kanavia ja salmia, niemiä
ja kärkiä, kaikki sekavana sokkelona, jota jää jo alkoi peittää,
Amerikan mantereen päätepisteestä Kap Forwardista Kap Horniin
asti, johon uusi maailma loppui.

Kun oli saavuttu Port Faminen kohdalle, selvisi kuitenkin että

Albatross aikoi taas jatkaa matkaa etelään. Liitäen Brunswickin
niemimaalla sijaitsevan Tarn-vuoren ja Gravesvuoren välitse se
kääntyi suoraan Sarmienton jylhää huippua kohti, joka jääpeitteisenä
kohosi Magalhaesin salmen yli näkyviin, ulottuen tuhannen metrin
korkeuteen merenpinnan yläpuolelle.
 Sitä aluetta, jonka ylitse Albatross nyt lensi, nimitetään
Tulimaaksi.

Kuinka kauniilta ja hedelmälliseltä tämä maa olisikaan näyttänyt,

varsinkin eteläosaltaan, kuutta kuukautta aikaisemmin, keskellä
kesää, pitkinä päivinä, jolloin aurinko paistoi täällä viis- tai
kuusitoista tuntia! Kaikkialla oli laaksoja ja laitumia, jotka voisivat
elättää tuhansia karjalaumoja, koskemattomia metsiä, joissa kasvoi
jättimäisiä puita, koivuja, pyökkejä, saarnia, sypressejä,
puunkaltaisia saniaisia, ja tasankoja, joita pitkin kiiti parvittain
guanakoja, laamoja ja strutseja; lisäksi kokonaisia armeijoita
pingviinejä ja lukemattomat määrät muita siivekkäitä. Niinpä nytkin,
kun Albatross sytytti kirkkaat sähkölyhtynsä, syöksyi sen kannelle
riskilöitä, sorsia, hanhia — sata kertaa niin paljon kuin François
Tapagen ruokasäilöön mahtui.

Siitä tuli melkoinen lisäurakka kokille, joka osasi tästä riistasta

laittaa ruokaa sillä tavalla, että liiallinen rasvanmaku hävisi. Samoin
tuli lisätyötä Frycollinille, jonka teki kovasti mieli päästä kynimään
näitä oivallisia lintuja tusina toisensa perästä.

Kun aurinko tänään oli jo lähellä laskuaan kello kolmen tienoissa

iltapuolella, tuli näkyviin laaja järvi, jonka rannoilla kasvoi komeita
metsiä. Silloin se oli kokonaan jäässä, ja jotkut alkuasukkaat hiihtivät
sen pinnalla pitkillä suksillaan.

Kun tulimaalaiset huomasivat ilma-aluksen, heidät valtasi

suunnaton kauhu, ja he pakenivat eri tahoille. Ellei ollut mitään
piilopaikkaa, he kaivautuivat maan sisään, kuten eläimet.

Albatross kulki yhä vain etelään. Sen taakse jäivät Beaglen

kanaali, Navarinin saari, jonka kreikkalainen nimi kuulostaa hieman
oudolta näiden kaukaisten seutujen raakalaisnimien seassa, ja sitten
vielä Wollastonin saari, jota Tyynenmeren reunavedet huuhtelivat.
Vihdoin, tehtyään matkaa seitsemäntuhatta viisisataa kilometriä
Dahomeyn rannikolta, ilma-alus sivuutti Magalhaesin saariston
viimeisetkin luodot, ja lopuksi katosi taivaanrannan alle kaikkein
pisimmälle etelään ulottuva kärki, jota ikuinen tyrsky kalvoi — hirveä
Kap Horn.
ETELÄNAVAN TIENOILLA.

Oli tullut seuraava, 24. päivä heinäkuuta. Eteläisellä pallonpuoliskolla

tämä vastaa tammikuun 24. päivää meillä. Lisäksi oli äskettäin jäänyt
taakse 56. leveysaste, ja se oli yhtä kaukana päiväntasaajasta
etelään kuin Pohjois-Euroopassa linja, joka Skotlannissa Edinburghin
kohdalla on vastaava pohjoinen leveyspiiri.

Lämpömittari näytti pysyvästi keskimäärin pakkasasteita. Siksi

olikin täytynyt käynnistää koneet, joiden tehtävänä oli tarpeen
vaatiessa kuumentaa ilmaa kajuutoissa.

Itsestään oli myös selvää, että jos päivä alkoikin pidetä talvisesta
päivänseisauksesta, joka eteläisellä pallonpuoliskolla on kesäkuun
21. päivänä, niitä toisaalta yhä enemmän lyhensi Albatrossin yhä
jatkuva lento napamaita kohti.

Auringonvaloa oli siis niukasti niinä päivinä, jolloin kuljettiin pitkin

tätä Tyynenmeren eteläosaa, joka rajoittui eteläiseen napapiiriin.
Näkyvyys oli huono ja yöllä oli toisinaan kova pakkanen. Piti
pukeutua samaan tapaan kuin eskimot tai Tulimaan asukkaat. Ja kun
tähän tarvittavia vaatekappaleita oli riittävästi mukana, saattoivat
molemmat amerikkalaiset kunnollisissa talvipukimissa pysytellä ilma-
aluksen kannella, yhä pohtien vain suunnitelmaansa ja odottaen
tilaisuutta sen toteuttamiseen. Muuten he tapasivat Roburia vain
vähän, ja sen jälkeen, kun Timbuktun tienoilla oli lausuttu uhkauksia
puolelta ja toiselta, he eivät enää joutuneet hänen kanssaan
puheisiin.

Mitä tulee Frycolliniin, niin hän tuskin poistui ollenkaan keittiöstä,

jossa François Tapage osoitti hänelle hyvin suopeaa
vieraanvaraisuutta — sillä ehdolla, että hän toimi apulaiskokkina. Kun
tästä oli tuntuvia etuja, oli neekeri suostunut sopimukseen varsin
mielellään, hankittuaan ensin isäntänsä luvan. Neljän seinän
sisäpuolella hän ei joutunut näkemään, mitä tapahtui ulkopuolella,
vaan saattoi uskoa olevansa täysin turvassa. Eikö hän ollut strutsin
kaltainen, ei ainoastaan fyysisesti valtavan vatsansa takia, vaan
myös henkisesti typeryytensä takia?

Mutta minne päin maapalloa Albatross nyt aikoi lentää? Oliko

luultavaa, että se uskaltaisi keskitalvella mennä seikkailemaan
etelänavan merille tai napaseuduille? Kun otetaan huomioon
jäätävän kylmä ilmasto, vaikka myöntäisikin, että paristojen
kemialliset ainekset voisivat kestää kovaa pakkasta, eikö tuollainen
retki sittenkin merkitsisi kuolemaa, hirveätä pakkaskuolemaa koko
miehistölle? Voisi kyllä ymmärtää, että Robur yrittäisi lentää navan yli
lämpimänä vuodenaikana, mutta olisi kerrassaan mielipuolista
kokeilla sitä napamaiden talven yhtämittaisessa pimeydessä!

Tätä mieltä olivat Weldon Instituutin puheenjohtaja ja sihteeri,

liidellessään nyt pakosta yhä etelään sen mantereen äärimmäisestä
kärjestä, joka vielä kuului uuteen maailmaan ja siis tosin
Amerikkaan, mutta ei Yhdysvaltoihin.
 Niin, mitä tämä itsepintainen Robur aikoi? Eikö nyt jo ollut aika
lopettaa matka edes siten, että tehtäisiin loppu koko aluksesta?

Varmaa oli vain se, että tänään, heinäkuun 24. päivänä,

insinöörillä oli useita neuvotteluja työnjohtajansa kanssa. Moneen
kertaan Tom Turner ja hän tarkastelivat ilmapuntaria, eivätkä he
enää aikoneet sen avulla mitata, kuinka korkealla lennettiin, vaan
saada selville kaikki säätä koskevat oireet. Epäilemättä oli sattunut
joitakin ilmiöitä, jotka tuli ottaa huomioon.

Setä Prudence oli myös huomaavinaan, että Robur yritti laatia

luetteloa siitä, kuinka paljon oli jäljellä kaikenlaisia varastoja sekä
ilma-aluksen veto- ja nostokoneiden pitämiseksi toiminnassa että
myös ihmiskoneiden ylläpitämiseksi, joiden pysyminen täydessä
kunnossa oli yhtä tärkeää.

Kaikki tämä näkyi viittaavan siihen, että aiottiin kääntyä

paluumatkalle.

— Paluumatkalle! Phil Evans virkkoi. — Mutta minne?

— Sinne, missä tuo Robur voi täydentää varastojaan, setä

Prudence vastasi.

— Paikka lienee jokin tuntematon saari Tyynessämeressä, jokin

siirtokunta, missä asustaa päällikkönsä vertaisia rikollisia.

— Samaa arvelen minäkin, Phil Evans. Minusta näyttää todellakin,

että hän aikoo kääntyä länteen, ja kun hän voi liikkua niin merkillisen
nopeasti, hän pääsee myös pian tavoitteeseensa.

— Mutta emmehän me sitten voikaan toteuttaa

suunnitelmaamme… jos hän pääsee sinne…
 — Hän ei pääse sinne, Phil Evans.

Nähtävästi olivat molemmat virkatoverit osaksi arvanneet, mitä

insinööri aikoi. Kun päivä kului pitemmälle, voitiin jo pitää varmana,
että kuljettuaan hyvän matkaa eteläistä napamerta kohti Albatross
lopultakin aikoi peräytyä. Kun täällä rantavedet olivat jäässä Kap
Horniin asti, tavattaisiin Tyynenmeren eteläosassa kaikkialla pelkkiä
jääkenttiä ja ajelehtivia jäävuoria. Kiintojää muodosti sellaisen vallin,
jonka läpi eivät pääsisi tukevimmatkaan laivat eivätkä
pelottomimmatkaan merenkulkijat.

Tosin Albatross olisi yläpotkurien vauhtia lisäämällä voinut lentää

valtamerelle kasaantuneiden jäävuorien yli ja samoin sivuuttaa
napamantereella kohoavat vuoret — mikäli etelänavan kohdalle
merkitty kalotti oli jokin mantere. Mutta olisiko se uskaltautunut
napaseutujen pimeyden halki uhmaamaan ilmastoa, jossa pakkanen
voi laskea kuuteenkymmeneen asteeseen saakka alle nollan?
Varmaankaan ei.

Niinpä kävikin, että edettyään noin sata kilometriä etelään

Albatross muutti suuntansa länteen päin, ikään kuin päämääränä
olisi jokin tuntematon saari Tyynellämerellä.

Alla levisi rajaton ulappa Amerikan ja Aasian mantereen välillä.

Vesi oli silloin saanut sen omituisen värin, joka on antanut aiheen
nimitykseen "maitomeri". Siinä puolihämyssä, jota auringon
heikentyneet säteet eivät enää voineet hälventää, näytti
Tyynenmeren koko pinta olevan maidonvalkea. Sitä olisi ehkä luullut
aukeaksi lumikentäksi, jonka aaltoilua ei pystynyt erottamaan näin
korkealta katsellessa. Jos tämä alue olisi todella jäätynyt pakkasessa,
kohmettunut äärettömäksi jääkentäksi, sen ulkonäkö ei olisi siitä
muuttunut.
 Nykyään tiedetään, että tämän ilmiön syynä ovat lukemattomat
loistavat hiukkaset, fosforinhohtoiset pikku hileet, ja yllättävää oli
vain se, että tämäntapainen heijastava kasautuma tavattiin muualla
kuin Intian valtameren vesillä.

Äkkiä huomattiin jyrkkä lasku ilmapuntarissa, joka oli päivän ensi

tunteina osoittanut jokseenkin korkeata painetta. Ilmeisesti se
merkitsi sellaisia enteitä, joista mikä tahansa laiva olisi huolestunut
mutta joista ilma-alus saattoi olla piittaamatta. Kaikissa tapauksissa
voitiin nyt olettaa, että kauhea myrsky oli äsken riehunut
Tyynenmeren vesiä.

Kello yhden aikaan päivällä Tom Turner lähestyi insinööriä ja sanoi

hänelle:

— Master Robur, katsokaapa, mikä musta piste on tuolla

taivaanrannalla! Tuolla… suoraan meistä pohjoiseen! Onkohan se
jokin kallio?

— Ei, Tom, siellä päin ei ole maata.

— No sitten se on varmaankin laiva tai ainakin vene.

Setä Prudence ja Phil Evans, jotka olivat siirtyneet keulan puolelle,

katselivat myös Tom Turnerin osoittamaa pistettä. Robur käski tuoda
merikiikarinsa ja alkoi pitää tarkasti silmällä nähtyä esinettä.

— Se on vene, hän sanoi, — ja siitäkin olen varma, että veneessä

on ihmisiä.

— Haaksirikkoisia? Tom Turner huudahti.

 — Niin juuri, joiden on kaiketi täytynyt lähteä laivastaan, Robur
vastasi, — onnettomia miesparkoja, jotka eivät enää tiedä, missä
päin on maata ja jotka ovat kuolemaisillaan nälkään ja janoon. No
niin, Albatrossista ei saa sanoa, ettei se edes yrittänyt auttaa heitä.

Annettiin heti käsky koneenkäyttäjälle ja hänen molemmille

apulaisilleen. Ilma-alus alkoi verkalleen painua, ja vetopotkurit
kiidättivät sitä hyvää vauhtia pohjoiseen.

Siellä oli todellakin vene. Sen purje roikkui velttona pitkin mastoa.
Kun ei tuullut, sitä ei enää voinut ohjata, eikä kukaan sen miehistä
näkynyt jaksavan pidellä airoa.

Veneen pohjalla lojui viisi miestä nukuksissa tai uupumuksen

kangistamina, elleivät jo olleet kuolleet.

Saavuttuaan heidän kohdalleen Albatross laskeutui hitaasti.

Peräpuolella voitiin silloin veneen kyljessä lukea sen laivan nimi,

johon se oli kuulunut, Jeanette, kotoisin Nantesista, ranskalainen
alus, joka miehistön oli täytynyt hylätä.

— Ohoi! Tom Turner huusi.

Se olisi pitänyt kuulla, sillä vene oli tuskin kahdeksan metrin

päässä hänen alapuolellaan.

Ei mitään vastausta.

— Ampukaa laukaus! Robur sanoi.

Käsky toteutettiin, ja pyssyn pamahdus levisi laajalle pitkin

vedenpintaa.
 Silloin nähtiin erään haaksirikkoisista kohoavan vaivalloisesti
istualleen, silmät tuijottavina, kasvot kuin luurangolla.

Huomattuaan Albatrossin hän aluksi vavahti kuin pahoin

pelästynyt.

— Älkää pelätkö! Robur huusi hänelle ranskan kielellä. — Me

olemme tulleet avuksenne. Keitä te olette?

— Merimiehiä Jeanettesta. Se oli kolmimastoinen purjealus, ja

minä sen ensimmäinen perämies, puhuteltu vastasi. — Kaksi viikkoa
takaperin… me lähdimme siitä… vähää ennen kuin se painui
pohjaan! Meillä ei ole enää vettä eikä ruokaa.

Toiset neljä haaksirikkoista olivat myös vähitellen nousseet

makuulta. Riutuneina, nääntyneinä, kammottavan laihtuneina he
kohottivat käsiään ilma-alusta kohti.

— Huomio! Robur komensi.

Albatrossin kannelta alettiin laskea köyttä, ja sangollinen

juomavettä laskettiin veneeseen.

Miespoloiset hypähtivät pystyyn ja joivat suoraa päätä sangosta

niin ahneesti, että teki pahaa katsella sitä.

— Leipää, leipää! he huusivat.

Heti heille laskettiin kori, jossa oli jonkin verran ruokatarvikkeita,

säilykkeitä, pullollinen paloviinaa, useita litroja kahvia. Perämiehellä
oli täysi työ pitäessään heitä kohtuullisissa rajoissa, kun he riensivät
tyydyttämään nälkäänsä.
 Sitten:

— Missä me nyt olemme?

— Viidenkymmenen meripeninkulman päässä Chilen rannikolta ja

Chonasin saaristosta, Robur vastasi.

— Kiitos, mutta tuuli on tyyntynyt, ja…

— Me hinaamme teidät sinne.

— Keitä te olette?

— Ihmisiä, jotka tuntevat itsensä onnellisiksi, kun ovat voineet

tulla avuksenne, Robur vastasi yksinkertaisesti.

Perämies ymmärsi, että pelastaja halusi pysyä tuntemattomana ja

että kysymykset olivat turhia. Mutta jaksaisiko tämä lentokone
todellakin hinata venettä perässään?

Jaksoi mainiosti, ja muutaman kymmenen metrin pituiseen

köyteen kiinnitetty vene lähti kulkemaan itään päin voimakkaan ilma-
aluksen kiskomana.

Kello kymmenen aikaan illalla tuli maa näkyviin, tai oikeastaan

voitiin erottaa tulia, jotka osoittivat, kuinka kaukana se oli. Tämä
taivaasta tullut apu oli saapunut juuri viime tingassa Jeanetten
haaksirikkoisille, joilla tosiaankin oli syytä uskoa, että heidän
pelastumisensa varmasta kuolemasta oli ihme.

Kun Robur oli hinannut heidät Chonas-saarten salmien suulle, hän

huusi heille, että hinausköysi piti irrottaa — kuten he tekivätkin,
samalla kiittäen pelastajiaan — ja Albatross lähti taas heti ulapalle
päin.

Ilma-aluksella, joka näin pystyi auttamaan meren valtaan

joutuneita merimiehiä, oli kieltämättömiä etuja. Mikä ilmapallo olisi
täydellisimmässäkään kunnossa kyennyt sellaiseen pelastustyöhön?
Ja setä Prudencen ja Phil Evansin olikin pakko keskenään tunnustaa
se, vaikka he muuten olivat valmiita kieltämään kouraan tuntuvatkin
todisteet.

Meri oli yhä uhkaavan näköinen, ja enteet ennustivat pahaa.

Ilmapuntari laski vieläkin muutamia millimetrejä. Vähän väliä tuli
hirveitä tuulenpuuskia, jotka puhalsivat vimmatusti Albatrossin
potkurisiipisiin koneisiin, ja sitten taas hetkeksi tyventä. Näissä
oloissa olisi purjealuksella ollut jo kaksi reiviä märssypurjeissaan ja
yksi reivi keulapurjeessa. Kaikki merkit viittasivat siihen, että tuuli
äkkiä kääntyisi luoteeseen. Myrskylasin putki alkoi himmetä
huolestuttavassa määrässä.

Kello yhden tienoissa yöllä tuuli yltyi riehumaan äärimmäisen

rajusti. Mutta vaikka se nyt puhalsi melkein suoraan ilma-aluksen
suunnan vastaisesti, voitiin kuitenkin ponnistella vetopotkurien avulla
eteenpäin, vauhdin ollessa noin pari kilometriä tunnissa. Sen
suurempaa nopeutta ei näin ankarassa vastatuulessa voinut vaatia.

Ilmeisesti oli alkamassa jokin äkillinen pyörremyrsky, mikä oli

harvinaista näillä leveysasteilla. Mitä nimiä sille annettaneenkin —
hurrikaani Atlantin valtamerellä, taifuuni Kiinan vesillä, samum
Saharassa, tornado länsirannikolla — aina se on pyörremyrsky ja
hirvittävä. Niin, hirvittävä joka alukselle, joka joutuu myrskyn
pyöritettäväksi, sillä tämä liike kiihtyy yhä ulkoreunoilta keskukseen
päin ja jättää vain yhden kohdan tyyneksi — sen pienen alan, joka
on aivan keskellä ilmakurimusta.

Robur tiesi sen. Hän oli myös selvillä siitä, että varovaisuus vaati
pakenemaan hirmumyrskyä sen vetovoiman piiristä ylempiin
ilmakerroksiin. Tähän asti hän oli siinä aina onnistunut. Mutta nyt ei
sopinut hetkeäkään viivytellä, kenties ei minuuttiakaan.

Myrskyn voima kiihtyikin yhtä mittaa. Aallot, joilta se katkaisi

harjat, kiidättivät valkoista tomua pitkin meren pintaa. Ilmeistä oli
myös, että pyörremyrsky siirtyessään painuisi napaseutuja kohti
hirvittävän nopeasti.

— Korkealle! Robur komensi.

— Korkealle! Tom Turner toisti.

Ilma-aluksen nostokoneet pantiin toimimaan ääritehollaan ja niin

noustiin viistoon, aivan kuin olisi kuljettu kaltevaa tasoa pitkin, joka
nousi luoteiseen päin.

Tällä hetkellä ilmapuntari laski vieläkin: elohopeapatsas aleni

nopeasti kahdeksan, sitten kaksitoista millimetriä. Äkkiä Albatross
pysähtyi nousussaan.

Mistä johtui tämä pysähdys? Varmaankin syynä oli ilman

vastapaine, pelottava ilmavirta, joka painaen ylhäältä alaspäin
vähensi ilman kannatuskykyä.

Kun höyrylaiva kulkee virtaa ylöspäin, sen potkuri joutuu

tekemään sitä vähemmän työtä, mitä nopeammin virran vesi
pakenee sen siipien alta. Taaksepäin vetävä voima on silloin hyvin
tuntuva, voipa kasvaa niinkin suureksi, että alus ei pääse lainkaan
eteenpäin, vaan joutuu tuuliajolle. Näin oli nyt Albatrossinkin laita.

Mutta Robur ei silti pitänyt peliä menetettynä. Ilma-aluksen kaikki

seitsemänkymmentäneljä potkuria, jotka toimivat aivan samassa
tahdissa, pyörivät edelleen sähköparistojensa täyden jännitteen
voimalla. Mutta pyörremyrsky veti vastustamattomalla voimalla
puoleensa, eikä Albatross jaksanut riuhtaista itseään vapaaksi. Aina
kun myrsky lyhyeksi hetkeksi heikkeni, päästiin jonkun verran
ylemmäksi. Sitten vei raskas paine taas voiton, ja ilma-alus vaipui
kuin laiva, joka on menossa pohjaan. Ja tämä olikin kuin uppoamista
ilmamereen keskellä pimeyttä, jota sähkölyhdyt puhkaisivat vain
hyvin lyhyen matkan päähän.

Oli selvää, että jos myrskyn rajuus vielä yltyisi, Albatross olisi sen
käsissä ohjauskyvyttömänä, ja silloin sen ahmaisisi kitaansa jokin
niistä pyörremyrskyistä, jotka kiskovat maasta puita juurineen,
repivät irti kattoja ja kaatavat kiviseiniä.

Robur ja Tom Turner saattoivat puhua keskenään vain elehtien.

Setä Prudence ja Phil Evans, jotka olivat tarrautuneet kiinni
kaiteeseen, odottivat jo, että luonnonvoima ehkä toimisi heidän
puolestaan, tuhoisi ilma-aluksen ja sen mukana keksijän ja keksijän
mukana hänen keksintönsä koko salaisuuden.

Mutta kun Albatross ei päässyt pyörremyrskystä irti nousemalla

pystysuoraan, niin sillä oli vain yksi keino jäljellä: pyrkiä keskukseen,
joka oli verrattain tyyni ja jossa se voisi paremmin hallita liikkeitään?
Kyllä, mutta sinne päästäkseen sen olisi täytynyt puhkaista nämä
kiertävät ilmavirrat, jotka yhä kiskoivat sitä ulkoreunaan päin. Oliko
ilma-aluksen koneissa kylliksi voimaa temmata se niistä irti?
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

textbookfull.com