Νέα Τεχνική AI Μπορεί να Βελτιώσει τις Προβλέψεις για Πυρκαγιές

Οι επιστήμονες στο Εθνικό Κέντρο Ερευνών για την Ατμόσφαιρα (NCAR) έχουν αναπτύξει μια νέα τεχνική που χρησιμοποιεί την τεχνητή νοημοσύνη (AI) για να βελτιώσει τις προβλέψεις για πυρκαγιές. Η τεχνική βοηθά στην αποτελεσματική ενημέρωση των χαρτών βλάστησης που χρησιμοποιούνται από τα υπολογιστικά μοντέλα πυρκαγιών για να προβλέψουν με ακρίβεια τη συμπεριφορά και την εξάπλωση των πυρκαγιών.

Η μέθοδος επιδείχθηκε χρησιμοποιώντας την πυρκαγιά East Troublesome Fire του 2020 στο Κολοράντο. Κατά τη διάρκεια αυτής της πυρκαγιάς, η καμένη γη ήταν λανθασμένα χαρακτηρισμένη στις απογραφές καύσιμης ύλης ως υγιής. Αλλά στην πραγματικότητα, η περιοχή που κάηκε είχε επηρεαστεί πρόσφατα από φλοιοφάγα σκαθάρια των πεύκων και ανεμοθύελλες, που άφησαν μεγάλες ποσότητες νεκρής και πεσμένης ξυλείας.

Σύγκριση Προσομοιώσεων Πυρκαγιών

Η ομάδα σύγκρινε προσομοιώσεις της πυρκαγιάς που παράχθηκαν από ένα μοντέλο συμπεριφοράς πυρκαγιάς που χρησιμοποιούσε την τυπική απογραφή καύσιμης ύλης και ένα άλλο που ενημερώθηκε με AI. Οι προσομοιώσεις με AI απέδωσαν σημαντικά καλύτερα όταν προέβλεψαν την περιοχή που κάηκε από την πυρκαγιά.

Η Amy DeCastro είναι επιστήμονας στο NCAR και κύρια συγγραφέας της μελέτης.

“Ένας από τους κύριες προκλήσεις μας στη μοντελοποίηση πυρκαγιών ήταν να λάβουμε ακριβή δεδομένα εισόδου, συμπεριλαμβανομένων των δεδομένων καυσίμων”, είπε η DeCastro. “Σε αυτή τη μελέτη, δείχνουμε ότι η συνδυασμένη χρήση μηχανικής μάθησης και δορυφορικής εικόνας παρέχει μια βιώσιμη λύση.”

Οι προσομοιώσεις μοντέλων εκτελέστηκαν στο NCAR-Wyoming Supercomputing Center στο σύστημα Cheyenne.

Τα μοντέλα που προορίζονται να προσομοιώσουν με ακρίβεια τις πυρκαγιές απαιτούν πολλές λεπτομερείς πληροφορίες σχετικά με τις τρέχουσες συνθήκες, όπως τον τοπικό καιρό και το τοπίο. Επίσης, απαιτούν πληροφορίες για το φυτικό υλικό, το οποίο ενεργεί ως καύσιμο για την πυρκαγιά.

Το Σύνολο Δεδομένων LANDFIRE

Το καλύτερο σύνολο δεδομένων καυσίμων παράγεται από το LANDFIRE, το οποίο είναι ένα ομοσπονδιακό πρόγραμμα που παράγει γεωχωρικά σύνολα δεδομένων που περιέχουν πληροφορίες για τα καύσιμα πυρκαγιών. Για να δημιουργηθούν τα σύνολα δεδομένων καυσίμων πυρκαγιάς, οι εμπειρογνώμονες χρειάζονται πολλές δορυφορικές εικόνες, προσομοιώσεις τοπίου και στοιχεία επιτόπιων ερευνών. Λόγω της μεγάλης ποσότητας απαιτούμενων δεδομένων, χρειάζεται πολύς χρόνος για να ενημερωθούν τα σύνολα δεδομένων. Ταυτόχρονα, τα διαθέσιμα καύσιμα σε μια περιοχή μπορούν να αλλάξουν γρήγορα.

Η ομάδα ενημέρωσε το σύνολο δεδομένων καυσίμων χρησιμοποιώντας τους δορυφόρους Sentinel, οι οποίοι ανήκουν στο πρόγραμμα Copernicus της Ευρωπαϊκής Υπηρεσίας Διαστήματος. Ο Sentinel-1 παρέχει δεδομένα σχετικά με την υφή της επιφάνειας, τα οποία μπορούν να χρησιμοποιηθούν για την αναγνώριση του τύπου βλάστησης. Ο Sentinel-2 παρέχει δεδομένα που μπορούν να χρησιμοποιηθούν για την εκτίμηση της υγείας του φυτού από το πόσο πράσινο είναι. Αυτά τα δεδομένα δορυφορικής εικόνας εισήχθησαν σε ένα μοντέλο μηχανικής μάθησης που εκπαιδεύτηκε στην Έρευνα Ανίχνευσης Εντόμων και Ασθενειών της Δασικής Υπηρεσίας των Ηνωμένων Πολιτειών, η οποία διεξάγεται ετησίως για να εκτιμηθεί η θνησιμότητα των δέντρων από τον αέρα.

Με αυτές τις νέες προσθήκες, το μοντέλο μηχανικής μάθησης ήταν σε θέση να ενημερώσει με ακρίβεια τα δεδομένα καυσίμων LANDFIRE.

“Τα δεδομένα LANDFIRE είναι εξαιρετικά πολύτιμα και παρέχουν μια αξιόπιστη πλατφόρμα για να χτίσουμε”, είπε η DeCastro. “Η τεχνητή νοημοσύνη αποδείχθηκε ότι είναι ένα αποτελεσματικό εργαλείο για την ενημέρωση των δεδομένων με λιγότερους πόρους.”

Δοκιμή του Νέου Συστήματος

Η ομάδα στη συνέχεια ξεκίνησε να δοκιμάσει την επίδραση που θα είχε η ενημερωμένη απογραφή στις προσομοιώσεις πυρκαγιάς, γι’ αυτό χρησιμοποίησαν το WRF-Fire, το οποίο αναπτύχθηκε από το NCAR για να προσομοιώσει τη συμπεριφορά πυρκαγιάς.

Χρησιμοποίησαν πρώτα το WRF-Fire για να προσομοιώσουν την πυρκαγιά East Troublesome Fire με το μη ενημερωμένο σύνολο δεδομένων καυσίμων LANDFIRE, το οποίο οδήγησε σε μια υποεκτίμηση της περιοχής που θα καεί. Όμως, όταν το μοντέλο εκτελέστηκε με το ενημερωμένο σύνολο δεδομένων, προέβλεψε αυτήν την περιοχή με πολύ μεγαλύτερη ακρίβεια. Το έκανε αυτό προβλέποντας ότι η νεκρή και πεσμένη ξυλεία θα βοηθούσε στην εξάπλωση της πυρκαγιάς.

Το μοντέλο μηχανικής μάθησης είναι προς το παρόν σχεδιασμένο να ενημερώνει τους υπάρχοντες χάρτες καύσιμης ύλης, αλλά θα μπορούσε τελικά να οδηγήσει στην τακτική παραγωγή και ενημέρωση των χαρτών καυσίμων από την αρχή.

Οι ερευνητές στο NCAR ελπίζουν επίσης ότι η μηχανική μάθηση θα λύσει άλλα μεγάλα προβλήματα σε αυτήν την περιοχή, όπως η βελτίωση της ικανότητάς μας να προβλέψουμε τις ιδιότητες των πυρακτωμένων σωματιδίων που παράγονται από μια πυρκαγιά.

Ο επιστήμονας του NCAR Timothy Juliano είναι συν-συγγραφέας της μελέτης.

“Έχουμε τόση τεχνολογία και τόση υπολογιστική ισχύ και τόσο πολλούς πόρους στα χέρια μας για να λύσουμε αυτά τα προβλήματα και να κρατήσουμε τους ανθρώπους ασφαλείς”, είπε ο Juliano. “Είμαστε καλά τοποθετημένοι για να έχουμε θετικό αντίκτυπο. Απλώς πρέπει να συνεχίσουμε να δουλεύουμε γι’ αυτό.”