Nationalgarden skal supplere brandpejle-droner med AI

Da brandene bliver større og mere farlige, har forskellige regerings- og private organisationer vendt sig til AI for at opdage og potentielt forudsige skovbrande. Nationalgarden har udført rekognosceringsflyvninger i Californien under den sene sommer og efteråret i de seneste par år, men nu har dronerne, der bruges til disse flyvninger, fået opgraderinger med AI-algoritmer, der er designet til automatisk at generere kort over brande i et bestemt område.

At oprette brandkort er en ekstremt svær proces, der kræver dataanalyse for at kortlægge konstant skiftende brande, der bevæger sig over ujævnt terræn. Både luft- og jordobservationer bruges til at oprette brandkort, og brandkort opdateres typisk kun en gang om dagen eller så. Store brande kan bevæge sig så langt som 15 miles under en enkelt dag, som set ved nogle af brandene denne brand-sæson. Brandovervågningsorganisationer har brug for hurtigere måder at indsamle branddata og opdatere brandkort, og luftdroner kombineret med AI kan imødekomme dette behov.

Brandkortsystemer, der ofte afhænger af satellitdata, bruger typisk en af to forskellige metoder til at opdage mulige brande. Brandene opdages enten ved at registrere varme fra jordoverfladen (opdage usædvanligt varme områder) eller ved at analysere aerosoludledninger (opdage røgpartikler, der frigøres til luften, når biomasse brænder). Efter at potentielle brande er opdaget, kan de bekræftes ved hjælp af højopløsningsbilleder fra droner. Kameraerne, der er monteret på Nationalgardens droner, kan vise brande i en opløsning på kun 90 fod over jorden.

Nationalgarden har udstyret sine MQ-9 “Reaper”-droner med AI-algoritmer, der er designet til at opdage brande og generere brandkort. AI-algoritmerne bruges til at indsamle data om aktivt brændende brande og opdage “spot brande”, der er startet af større brande. Projektet er drevet af Joint Artificial Intelligence Center (JAIC), en afdeling, der er oprettet af Pentagon i 2018. JAIC-brandkortsystemet bruger maskinelæringsalgoritmer, der er trænet på luftbilleder af tidligere brande med annoterede grænser. Algoritmen kan derefter tage usete billeder med kun lokalitetsdata og opdage brande i dem, og udgive et kort, der viser, hvilke områder, der brænder. Placeringen af spot brande markeres også.

I forhold til den daglange brandkortgenereringsproces, der bruges af andre organisationer, er JAIC-brandkortsystemet meget hurtigere. AI-drevet brandkortproces kan generere et nyt brandkort omtrent hver halve time. Ifølge California Air National Guard er kortene, der produceres af det nye system, nøjagtige, og feedback fra CalFire har været positivt. Hvis kortene fortsætter med at være pålidelige og kan integreres succesfuldt med CalFires operationer, kan det udvikles til at hjælpe med at opdage brande under næste års brand-sæson.

Ud over at kortlægge grænserne for nuværende brande, kan AI hjælpe brandbekæmpelsesteams med at forudsige brandes bevægelser. CalFire selv har nylig begyndt at arbejde med et værktøj kaldet WildFire Analyst Enterprise. Værktøjet er oprettet af Technosylva og fungerer ved at kombinere forskellige brand-spredningsmodeller. Disse modeller er forbedret gennem brugen af maskinelæringsalgoritmer, der er trænet på funktionerne af tidligere brande (såsom fugtindhold i vegetation, vejrforhold og satellitbilleder). Modellen sammenligner derefter data om en nuværende brand med tidligere branddata for at forudsige, hvordan branden kan sprede sig. Værktøjet tillader også brugeren at oprette simulationer baseret på, hvordan forskellige variabler som vejrforhold ændrer sig. Værktøjet forudsagde korrekt, at CZU Lightning Complex Fire ville bevæge sig mod byen Felton, og det gjorde det muligt for brandbekæmpelsesteams at ankomme tidligt og redde mange strukturer, der ellers ikke ville være blevet reddet.

Mens brandbekæmpelsesafdelinger i sydcalifornien bruger et andet brandsporing- og forudsigelsessystem kaldet FireMap, der er udviklet af Wifire Lab. FireMap bruger både luft- og jorddata fra kameraer samt klimaforhold, vindforhold, fugtindhold i vegetation og mere til at forudsige, hvor brande vil sprede sig.

Da flere AI-drevne brandopdage- og forudsigelsesplattformer bliver oprettet, vil droner sandsynligvis blive stadig mere vigtige. Satellitter er ekstremt nyttige, men de har begrænsninger i forhold til den type og mængde af data, de kan indsamle. To typer satellitter bruges til at indsamle data: polære orbiter-satellitter og geosynkrone satellitter. Polære orbiter-satellitter kan tage højopløsningsbilleder, men billederne indsamles kun to gange om dagen. I modsætning hertil indsamles billeder fra geosynkrone satellitter hyppigere, typisk hver 5. minut eller så. Geosynkrone satellitter må dog flyve omtrent 22.000 miles over jordoverfladen for at være i sync med jordens kredsløb. Dette resulterer i, at disse billeder indeholder langt mindre detaljer end polære orbiter-satellitter. Droner kan hjælpe med at udfylde hullerne i data og få mere konstante, detaljerede billeder af et interessant område.