Modelos y plataformas de IA
La Guardia Nacional aumentará los drones de detección de incendios con inteligencia artificial
Añade Unite.AI a tus fuentes preferidas en Google
A medida que los incendios se vuelven más grandes y peligrosos, diversas agencias gubernamentales y privadas han recurrido a la inteligencia artificial para detectar y predecir posibles incendios forestales. La Guardia Nacional ha estado realizando vuelos de reconocimiento en California durante el verano y el otoño de los últimos años, pero ahora los drones utilizados para estos vuelos han recibido actualizaciones con algoritmos de inteligencia artificial destinados a generar mapas de incendios automáticamente dentro de una región determinada.
Crear mapas de incendios es un proceso extremadamente difícil que requiere análisis de datos para cartografiar incendios que cambian constantemente a medida que se desplazan sobre un terreno accidentado. Se utilizan observaciones aéreas y terrestres para crear mapas de incendios, y estos mapas suelen actualizarse solo una vez al día. Los incendios grandes pueden desplazarse hasta 15 millas en un solo día, como se ha visto en algunos de los incendios de esta temporada. Las agencias de monitoreo de incendios necesitan formas más rápidas de recopilar datos de incendios y actualizar mapas de incendios, y los drones aéreos combinados con inteligencia artificial pueden satisfacer esta necesidad.
Los sistemas de mapeo de incendios, muchos de los cuales dependen de datos satelitales, suelen utilizar uno de dos métodos diferentes para detectar posibles incendios. Los incendios se detectan mediante la detección de calor que emana de la superficie terrestre (detectando áreas anormalmente calientes) o mediante el análisis de emisiones de aerosoles (detectando las partículas de humo liberadas al aire cuando se quema biomasa). Después de detectar posibles incendios, se pueden confirmar mediante el uso de sistemas de imágenes de alta resolución como drones. Las cámaras que equipan los drones de la Guardia Nacional son capaces de mostrar incendios a una resolución de solo 90 pies sobre el suelo.
La Guardia Nacional ha equipado a sus drones MQ-9 “Reaper” con algoritmos de inteligencia artificial destinados a detectar incendios y generar mapas de incendios. Los algoritmos de inteligencia artificial se utilizan para recopilar datos sobre incendios que arden activamente y detectar “incendios de puntos” que han sido iniciados por incendios más grandes. El proyecto fue impulsado por el Centro Conjunto de Inteligencia Artificial (JAIC), una división creada por el Pentágono en 2018. El sistema de mapeo de incendios de JAIC utiliza algoritmos de aprendizaje automático entrenados con imágenes aéreas de incendios pasados con límites anotados. El algoritmo puede tomar entonces imágenes no vistas con solo datos de ubicación y detectar incendios en ellas, generando un mapa que muestra qué regiones están ardiendo. También se marca la ubicación de los incendios de puntos.
En comparación con el proceso de generación de mapas de incendios que tarda un día, utilizado por otras agencias, el sistema de mapeo de incendios de JAIC es mucho más rápido. El proceso de mapeo de incendios con inteligencia artificial puede generar un nuevo mapa de incendios aproximadamente cada media hora. Según la Guardia Aérea Nacional de California, los mapas producidos por el nuevo sistema son precisos y la retroalimentación de CalFire ha sido positiva. Si los mapas siguen siendo confiables y se pueden integrar con éxito en las operaciones de CalFire, se podría desplegar para ayudar a detectar incendios durante la próxima temporada de incendios.
Más allá de cartografiar los límites de los incendios actuales, la inteligencia artificial puede ayudar a los equipos de lucha contra incendios a predecir el movimiento de los incendios. CalFire mismo ha comenzado recientemente a trabajar con una herramienta llamada WildFire Analyst Enterprise. La herramienta de análisis de incendios forestales fue creada por Technosylva, y opera combinando varios modelos de propagación de incendios. Estos modelos se mejoran mediante el uso de algoritmos de aprendizaje automático, entrenados con las características de incendios forestales pasados (como el contenido de humedad de la vegetación, las condiciones climáticas y las imágenes satelitales). El modelo compara entonces los datos de un incendio actual con los datos de incendios pasados para hacer predicciones sobre cómo podría propagarse ese incendio. El software también permite al usuario crear simulaciones basadas en cómo cambian diferentes variables como las condiciones climáticas. La herramienta predijo correctamente que el incendio del complejo de rayos CZU se movería hacia la ciudad de Felton, lo que permitió a los equipos de lucha contra incendios llegar temprano y salvar muchas estructuras que de otro modo podrían no haber sido salvadas.
Mientras tanto, los departamentos de lucha contra incendios en el sur de California están utilizando un sistema de seguimiento y predicción de incendios diferente llamado FireMap, desarrollado por el Wifire Lab. FireMap utiliza datos aéreos y terrestres de cámaras, así como condiciones climáticas, condiciones de viento, contenido de humedad en la vegetación y más, para predecir dónde se propagarán los incendios.
A medida que se crean más plataformas de detección y predicción de incendios impulsadas por inteligencia artificial, los drones probablemente se vuelvan cada vez más importantes. Los satélites son extremadamente útiles, pero tienen limitaciones en cuanto al tipo y volumen de datos que pueden recopilar. Se utilizan dos tipos de satélites para recopilar datos: satélites orbitales polares y satélites geosíncronos. Los satélites orbitales polares pueden tomar imágenes de alta resolución, pero las imágenes se capturan solo dos veces al día. En contraste, las imágenes recopiladas por satélites geosíncronos se recopilan con más frecuencia, generalmente cada 5 minutos o así. Sin embargo, los satélites geosíncronos tienen que volar aproximadamente 22,000 millas sobre la superficie de la Tierra para mantenerse en sincronía con la órbita de la Tierra. Como resultado, estas imágenes contienen mucho menos detalle que los satélites orbitales polares. Los drones pueden ayudar a llenar las brechas en los datos, obteniendo imágenes más constantes y detalladas de un área de interés.
