تقنية ذكاء اصطناعي جديدة يمكن أن تحسن توقعات الحرائق في البرية

قام علماء في المركز الوطني لأبحاث الغلاف الجوي (NCAR) بتطوير تقنية جديدة تستخدم الذكاء الاصطناعي لتحسين توقعات الحرائق في البرية. تساعد التقنية على تحديث خرائط النباتات بفعالية والتي تستخدمها نماذج الكمبيوتر للحرائق في البرية لتحديد سلوك الحرائق وانتشارها بدقة.

جُرّبت هذه الطريقة باستخدام حريق إيست ترابلزوم في كولورادو عام 2020. خلال هذا الحريق، تم وصف الأراضي المحروقة بشكل خاطئ في مخزونات الوقود على أنها منطقة ذات غطاء نباتي سليم. ولكن في الواقع، كانت المنطقة التي احترقت قد تأثرت مؤخرًا بخنافس لحاء الصنوبر والعواصف الهوائية، مما ترك كميات كبيرة من الأشجار الميتة والساقطة.

مقارنة بين محاكاة الحرائق

قارن الفريق بين محاكاة الحريق التي تم إنشاؤها بواسطة نموذج سلوك الحرائق الذي يستخدم مخزون الوقود القياسي وآخر تم تحديثه بالذكاء الاصطناعي. حققت المحاكاة المدعومة بالذكاء الاصطناعي نتائج أفضل بكثير في التنبؤ بالمنطقة المحروقة من النار.

إيمي دي كاسترو عالمة في NCAR والمؤلفة الرئيسية لـالدراسة.

“أحد التحديات الرئيسية التي نواجهها في نمذجة الحرائق في البرية هو الحصول على مدخلات دقيقة، بما في ذلك بيانات الوقود،” قالت دي كاسترو. “في هذه الدراسة، نُظهر أن استخدام التعلم الآلي والتصوير الفضائي يوفر حلًا قابلاً للتطبيق.”

تم تشغيل محاكاة النموذج على نظام Cheyenne في مركز NCAR-Wyoming للكمبيوتر الفائق.

تتطلب النماذج التي تهدف إلى محاكاة الحرائق بدقة الكثير من المعلومات التفصيلية حول الظروف الحالية، مثل الطقس المحلي والتضاريس. كما تتطلب معلومات حول المادة النباتية، التي تعمل كوقود للنار.

مجموعة بيانات LANDFIRE

تُنتج أفضل مجموعة بيانات للوقود بواسطة LANDFIRE، وهو برنامج اتحادي ينتج مجموعات بيانات جغرافية مكانية تحتوي على معلومات حول وقود الحرائق. لإنشاء مجموعات بيانات وقود الحرائق، يحتاج الخبراء إلى الكثير من الصور الفضائية ونمذجة المناظر الطبيعية ومعلومات المسح. بسبب الكمية الكبيرة من البيانات المطلوبة، يستغرق تحديث مجموعات البيانات وقتًا طويلاً. وفي الوقت نفسه، يمكن أن يتغير الوقود المتاح في منطقة بسرعة.

تم تحديث مجموعة بيانات الوقود باستخدام الأقمار الصناعية سينتينل، التي تتبع برنامج كوبرنيكوس التابع لوكالة الفضاء الأوروبية. توفر سينتينل-1 بيانات حول النسيج السطحي، والتي يمكن استخدامها لتحديد نوع النبات. توفر سينتينل-2 بيانات يمكن استخدامها لاستنتاج صحة النبات من اخضراره. تم تغذية بيانات الأقمار الصناعية هذه إلى نموذج تعلم آلي تم تدريبه على مسح الكشف عن الحشرات والأمراض التابع لخدمة الغابات الأمريكية، الذي يتم إجراؤه سنويًا لتقدير معدل وفاة الأشجار من الجو.

مع هذه الإضافات الجديدة، تمكن نموذج التعلم الآلي من تحديث بيانات LANDFIRE بدقة.

“بيانات LANDFIRE قيمة جدًا وتوفر منصة موثوقة للبناء عليها،” قالت دي كاسترو. “ثبت أن الذكاء الاصطناعي أداة فعالة لتحديث البيانات بطريقة أقل في استخدام الموارد.”

اختبار النظام الجديد

ثم انتقل الفريق إلى اختبار تأثير المخزون المحدث على محاكاة الحرائق، لذا استخدموا WRF-Fire، الذي تم تطويره بواسطة NCAR لمحاكاة سلوك الحرائق.

استخدموا أولاً WRF-Fire لمحاكاة حريق إيست ترابلزوم مع مجموعة بيانات LANDFIRE غير المعدلة، مما أدى إلى تقدير أقل من الواقع للمساحة التي ستحترق. ومع ذلك، عندما تم تشغيل النموذج مع مجموعة البيانات المعدلة، تنبأ بمنطقة الحريق المحروقة بدقة أكبر بكثير. فعل ذلك من خلال التنبؤ بأن الأشجار الميتة والساقطة سوف تساعد على انتشار النار.

هذا نموذج التعلم الآلي مصمم حاليًا لتحديث خرائط الوقود الحالية، ولكن يمكن أن يؤدي في النهاية إلى إنتاج خرائط الوقود من الصفر وتحديثها بانتظام.

يأمل الباحثون في NCAR أيضًا أن يحل التعلم الآلي تحديات أخرى كبيرة في هذا المجال، مثل تحسين قدرتنا على التنبؤ بخصائص الجمر المتطاير الناتج عن الحريق.

عالم NCAR تيموثي جوليانو هو مؤلف مشارك في الدراسة.

“لدينا الكثير من التكنولوجيا والقوة الحاسوبية والموارد في متناول أيدينا لحل هذه القضايا والحفاظ على سلامة الناس،” قال جوليانو. “نحن في وضع جيد لتحقيق تأثير إيجابي؛ نحتاج فقط إلى الاستمرار في العمل عليه.”