Neue KI-Technik kann Waldbrandprognosen verbessern

Wissenschaftler am National Center for Atmospheric Research (NCAR) haben eine neue Technik entwickelt, die künstliche Intelligenz (KI) verwendet, um Waldbrandprognosen zu verbessern. Die Technik hilft dabei, Vegetationskarten effizient zu aktualisieren, die von Waldbrand-Computermodellen verwendet werden, um das Verhalten und die Ausbreitung von Bränden genau vorherzusagen.

Die Methode wurde anhand des East Troublesome Fire in Colorado im Jahr 2020 demonstriert. Während dieses Brandes wurde das verbrannte Land in den Brennstoffinventaren fälschlich als gesund eingestuft. In Wirklichkeit war das Gebiet, das brannte, kürzlich von Borkenkäfern und Stürmen betroffen, die große Teile von totem und umgefallenem Holz hinterließen.

Vergleich von Waldbrand-Simulationen

Das Team verglich zwei Simulationen des Brandes mit einem Modell für das Waldbrandverhalten: Eine nutzte das Standardinventar brennbaren Materials, die andere ein mit KI aktualisiertes Inventar. Die KI-Simulationen zeigten eine signifikant bessere Leistung bei der Vorhersage der vom Feuer verbrannten Fläche.

Amy DeCastro ist eine Wissenschaftlerin am NCAR und Hauptautorin der Studie.

“Eine unserer größten Herausforderungen bei der Waldbrandmodellierung war es, genaue Eingangsdaten zu erhalten, einschließlich Brennstoffdaten”, sagte DeCastro. “In dieser Studie zeigen wir, dass die Kombination aus maschinellem Lernen und Satellitenbildern eine praktikable Lösung bietet.”

Die Modellsimulationen wurden am NCAR-Wyoming-Supercomputing-Center auf dem Cheyenne-System durchgeführt.

Modelle, die Waldbrände genau simulieren sollen, benötigen eine Menge detaillierter Informationen über die aktuellen Bedingungen, wie das lokale Wetter und die Topographie. Sie benötigen auch Informationen über die Pflanzenmasse, die als Brennstoff für das Feuer dient.

Das LANDFIRE-Datenset

Das beste Brennstoff-Datenset wird von LANDFIRE produziert, einem Bundesprogramm, das Geodatensätze mit Informationen über Waldbrand-Brennstoffe erstellt. Um die Waldbrand-Brennstoff-Datensätze zu erstellen, benötigen Experten eine Menge Satellitenbilder, Landschaftssimulationen und Erhebungsdaten. Aufgrund der großen Menge an erforderlichen Daten dauert es lange, die Datensätze zu aktualisieren. Gleichzeitig können sich die verfügbaren Brennstoffe in einem Gebiet schnell ändern.

Das Team aktualisierte die Brennstoff-Daten, indem es die Sentinel-Satelliten verwendete, die zum Copernicus-Programm der Europäischen Weltraumagentur gehören. Sentinel-1 liefert Daten über die Oberflächenstruktur, die zur Identifizierung von Vegetationstypen verwendet werden können. Sentinel-2 liefert Daten, die zur Ableitung der Pflanzengesundheit aus ihrer Grünfarbe verwendet werden können. Diese Satellitendaten wurden in ein maschinelles Lernmodell eingespeist, das auf der Insect and Disease Detection Survey des US-Forest-Service trainiert wurde, die jährlich durchgeführt wird, um die Baumsterblichkeit aus der Luft zu schätzen.

Mit diesen neuen Ergänzungen konnte das maschinelle Lernmodell die LANDFIRE-Brennstoff-Daten genau aktualisieren.

“Die LANDFIRE-Daten sind sehr wertvoll und bieten eine zuverlässige Plattform, auf der aufgebaut werden kann”, sagte DeCastro. “Künstliche Intelligenz hat sich als effektives Werkzeug zur Aktualisierung der Daten in einer weniger ressourcenintensiven Weise erwiesen.”

Testen des neuen Systems

Das Team setzte sich dann daran, die Auswirkungen der aktualisierten Inventarisierung auf Waldbrand-Simulationen zu testen, und verwendete dazu WRF-Fire, das von NCAR entwickelt wurde, um das Verhalten von Waldbränden zu simulieren.

Das Team simulierte zunächst den East Troublesome Fire mit dem unveränderten LANDFIRE-Brennstoff-Datenset, was zu einer Unterschätzung der Fläche, die abbrennen würde führte. Wenn jedoch das Modell mit dem angepassten Datenset ausgeführt wurde, sagte es die verbrannte Fläche mit einer viel höheren Genauigkeit voraus. Es sagte voraus, dass das tote und umgefallene Holz dazu beitragen würde, das Feuer zu verbreiten.

Dieses maschinelle Lernmodell ist derzeit darauf ausgelegt, bestehende Brennstoffkarten zu aktualisieren, könnte aber letztendlich zur regelmäßigen Erstellung und Aktualisierung von Brennstoffkarten von Grund auf führen.

Forscher am NCAR hoffen auch, dass maschinelles Lernen andere große Herausforderungen in diesem Bereich lösen wird, wie z.B. die Verbesserung unserer Fähigkeit, die Eigenschaften der von einem Feuer erzeugten Glut vorherzusagen.

Der NCAR-Wissenschaftler Timothy Juliano ist ein Co-Autor der Studie.

“Wir haben so viel Technologie und so viel Rechenleistung und so viele Ressourcen, um diese Probleme zu lösen und Menschen zu schützen”, sagte Juliano. “Wir sind gut positioniert, um einen positiven Einfluss zu haben; wir müssen einfach weiter daran arbeiten.”