يمكن لتقنية الذكاء الاصطناعي الجديدة تحسين توقعات حرائق الغابات

طور علماء في المركز الوطني لأبحاث الغلاف الجوي (NCAR) تقنية جديدة تستخدم الذكاء الاصطناعي (AI) لتحسين التنبؤات بحرائق الغابات. تساعد هذه التقنية في تحديث خرائط الغطاء النباتي بكفاءة والتي تستخدمها نماذج الكمبيوتر في الهشيم للتنبؤ بدقة بسلوك الحرائق وانتشارها. 

تم عرض الطريقة باستخدام 2020 East Troubleome Fire في كولورادو. خلال هذا الحريق ، تم تصنيف الأرض المحروقة في مخزونات الوقود على أنها صحية. لكن في الواقع ، تأثرت المنطقة التي احترقت مؤخرًا بخنافس الصنوبر وعواصف الرياح ، التي خلفت أجزاء كبيرة من الأخشاب الميتة والمتساقطة. 

مقارنة محاكاة Wildfire

قارن الفريق بين محاكاة الحريق الناتج عن نموذج سلوك حرائق الغابات الذي استخدم مخزون الوقود القياسي وآخر تم تحديثه باستخدام الذكاء الاصطناعي. كانت عمليات محاكاة الذكاء الاصطناعي أفضل بكثير عند توقع المنطقة التي احترقتها النيران. 

إيمي ديكاسترو هي عالمة في NCAR ومؤلفة رئيسية لكتاب الدراسة. 

وقال ديكاسترو: "كان أحد التحديات الرئيسية التي نواجهها في نمذجة حرائق الغابات هو الحصول على مدخلات دقيقة، بما في ذلك بيانات الوقود". "في هذه الدراسة، نظهر أن الاستخدام المشترك للتعلم الآلي وصور الأقمار الصناعية يوفر حلاً قابلاً للتطبيق."

تم تشغيل نماذج المحاكاة في مركز NCAR-Wyoming Supercomputing على نظام Cheyenne. 

تتطلب النماذج التي تهدف إلى محاكاة حرائق الغابات بدقة الكثير من المعلومات التفصيلية حول الظروف الحالية ، مثل الطقس والتضاريس المحلية. كما أنها تتطلب معلومات عن المادة النباتية التي تعمل كوقود للنار. 

مجموعة بيانات LANDFIRE

يتم إنتاج أفضل مجموعة بيانات للوقود بواسطة LANDFIRE ، وهو برنامج فيدرالي ينتج مجموعات بيانات جغرافية مكانية تحتوي على معلومات عن وقود حرائق الغابات. لإنشاء مجموعات بيانات وقود حرائق الغابات ، يحتاج الخبراء إلى الكثير من صور الأقمار الصناعية ومحاكاة المناظر الطبيعية ومعلومات المسح. نظرًا للكم الهائل من البيانات المطلوبة ، يستغرق تحديث مجموعات البيانات وقتًا طويلاً. في الوقت نفسه ، يمكن أن يتغير الوقود المتاح في منطقة ما بسرعة. 

قام الفريق بتحديث مجموعة بيانات الوقود باستخدام الأقمار الصناعية Sentinel ، والتي تنتمي إلى برنامج كوبرنيكوس التابع لوكالة الفضاء الأوروبية. يوفر Sentinel-1 بيانات حول نسيج السطح ، والتي يمكن استخدامها لتحديد نوع الغطاء النباتي. يوفر Sentinel-2 البيانات التي يمكن استخدامها لاستنتاج صحة النبات من خضرة. تم إدخال بيانات القمر الصناعي هذه في نموذج التعلم الآلي الذي تم تدريبه على مسح الكشف عن الحشرات والأمراض التابع لخدمة الغابات الأمريكية ، والذي يتم إجراؤه سنويًا لتقدير معدل وفيات الأشجار من الهواء. 

مع هذه الإضافات الجديدة ، كان نموذج التعلم الآلي قادرًا على تحديث بيانات وقود LANDFIRE بدقة. 

قال ديكاسترو: "تعتبر بيانات LANDFIRE ذات قيمة فائقة وتوفر منصة موثوقة للبناء عليها". "أثبت الذكاء الاصطناعي أنه أداة فعالة لتحديث البيانات بطريقة أقل كثافة في استخدام الموارد."

اختبار النظام الجديد

شرع الفريق بعد ذلك في اختبار تأثير المخزون المحدث على محاكاة حرائق الغابات ، لذلك استخدموا WRF-Fire ، الذي طوره NCAR لمحاكاة سلوك حرائق الغابات. 

استخدموا لأول مرة WRF-Fire لمحاكاة حريق الشرق المزعج باستخدام مجموعة بيانات وقود LANDFIRE غير المعدلة ، مما أدى إلى عدم توقعها بمقدار المساحة التي سيتم حرقها. ومع ذلك ، عندما تم تشغيل النموذج بمجموعة البيانات المعدلة ، فقد تنبأ بهذه المنطقة المحروقة بدرجة دقة أكبر بكثير. لقد فعلت ذلك من خلال التنبؤ بأن الأخشاب الميتة والمتساقطة ستساعد في نشر النار. 

تم تصميم نموذج التعلم الآلي هذا حاليًا لتحديث خرائط الوقود الحالية ، ولكنه قد يؤدي في النهاية إلى الإنتاج المنتظم وتحديث خرائط الوقود من البداية. 

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

عالم NCAR تيموثي جوليانو هو مؤلف مشارك للدراسة. 

قال جوليانو: "لدينا الكثير من التكنولوجيا وقوة حاسوبية كبيرة والعديد من الموارد في متناول أيدينا لحل هذه المشكلات والحفاظ على سلامة الناس". "نحن في وضع جيد لإحداث تأثير إيجابي ؛ نحتاج فقط إلى مواصلة العمل عليه ".