Ny AI-teknik kan forbedre prognoser for skovbrande

Forskere ved National Center for Atmospheric Research (NCAR) har udviklet en ny teknik, der bruger kunstig intelligens (AI) til at forbedre prognoser for skovbrande. Teknikken hjælper med at opdatere vegetationskort, der bruges af skovbrandmodeller til præcist at forudsige brandadfærd og spredning.

Metoden blev demonstreret ved hjælp af skovbranden East Troublesome Fire i Colorado i 2020. Under denne brand var det brændte land fejlagtigt klassificeret i brændstofinventarer som værende sundt. Men i virkeligheden var området, der brændte, nylig påvirket af barkbiller og storme, der efterlod store mængder dødt og faldet træ.

Sammenligning af skovbrandssimulationer

Holdet sammenlignede simulationer af branden genereret af en skovbrandmodel, der brugte standardoversigten over brændbart materiale, og en anden, der var opdateret med AI. AI-simulationerne fungerede betydeligt bedre, når det kom til at forudsige det område, der ville blive brændt af branden.

Amy DeCastro er en NCAR-forsker og hovedforfatter af studiet.

“En af vores største udfordringer i skovbrandmodellering har været at få præcise inputdata, herunder brændstofsdata,” sagde DeCastro. “I dette studie viser vi, at den kombinerede brug af maskinlæring og satellitbilleder giver en brugbar løsning.”

Modellsimulationerne blev kørt på NCAR-Wyoming Supercomputing Center på Cheyenne-systemet.

Modeller, der er designet til at simulere skovbrande nøjagtigt, kræver en masse detaljeret information om nuværende forhold, såsom det lokale vejr og terræn. De kræver også information om plantemateriale, der fungerer som brændstof for branden.

LANDFIRE-datasættet

Det bedste brændstofdatasæt produceres af LANDFIRE, der er et føderalt program, der producerer geografiske datasæt, der indeholder information om skovbrandebrændstof. For at udarbejde datasættene over brændbart materiale til skovbrande har eksperter brug for en masse satellitbilleder, landskabsimulation og undersøgelsesinformation. På grund af den store mængde påkrævet data tager det lang tid at opdatere datasættene. Samtidig kan de tilgængelige brændstoffer i et område ændre sig hurtigt.

Holdet opdaterede brændstofdatasættet ved at bruge Sentinel-satellitterne, der tilhører den europæiske rumfartsorganisations Copernicus-program. Sentinel-1 giver data om overfladetekstur, der kan bruges til at identificere vegetationstypen. Sentinel-2 giver data, der kan bruges til at vurdere plantens sundhed ud fra dens grønne farve. Disse satellitdata blev ført ind i en maskinlæringsmodel, der var trænet på U.S. Forest Services Insect and Disease Detection Survey, der årligt udføres for at estimere trædødelighed fra luften.

Med disse nye tilføjelser kunne maskinlæringsmodellen nøjagtigt opdatere LANDFIRE-brændstofdata.

“LANDFIRE-data er super værdifulde og giver en pålidelig platform at bygge på,” sagde DeCastro. “Kunstig intelligens viste sig at være et effektivt værktøj til at opdatere data på en mindre ressourcekrævende måde.”

Test af det nye system

Holdet gik derefter i gang med at teste effekten af den opdaterede oversigt på skovbrandssimulationer, så de brugte WRF-Fire, der er udviklet af NCAR til at simulere skovbrandadfærd.

De brugte først WRF-Fire til at simulere East Troublesome Fire med det ujusterede LANDFIRE-brændstofdatasæt, hvilket resulterede i, at det underestimerede mængden af området, der ville blive brændt af branden. Men når modellen blev kørt med det justerede datasæt, forudsagde den dette brændte område med en langt højere grad af nøjagtighed. Det gjorde det ved at forudsige, at det døde og faldne træ ville hjælpe med at sprede branden.

Denne maskinlæringsmodel er i øjeblikket designet til at opdatere eksisterende brændstofkort, men den kunne til sidst føre til den regelmæssige produktion og opdatering af brændstofkort fra bunden.

Forskere ved NCAR håber også, at maskinlæring vil løse andre store udfordringer på dette område, såsom at forbedre vores evne til at forudsige egenskaberne af gløderne genereret af en brand.

NCAR-forsker Timothy Juliano er medforfatter af studiet.

“Vi har så meget teknologi og så meget beregningskraft og så mange ressourcer til rådighed for at løse disse problemer og holde mennesker i sikkerhed,” sagde Juliano. “Vi er godt positioneret til at have en positiv indvirkning; vi skal bare fortsætte med at arbejde på det.”