Inteligencia artificial
Nueva técnica de IA puede mejorar los pronósticos de incendios forestales
Los científicos del Centro Nacional de Investigación Atmosférica (NCAR) han desarrollado una nueva técnica que utiliza inteligencia artificial (IA) para mejorar los pronósticos de incendios forestales. La técnica ayuda a actualizar de manera eficiente los mapas de vegetación que utilizan los modelos informáticos de incendios forestales para predecir con precisión el comportamiento y la propagación del fuego.
El método se demostró utilizando el East Troublesome Fire de 2020 en Colorado. Durante este incendio, la tierra quemada se caracterizó erróneamente en los inventarios de combustible como saludable. Pero en realidad, el área que se quemó fue impactada recientemente por escarabajos de pino y tormentas de viento, que dejaron grandes porciones de madera muerta y caída.
Comparación de simulaciones de incendios forestales
El equipo comparó simulaciones del fuego generadas por un modelo de comportamiento de incendios forestales que utilizó el inventario de combustible estándar y otro que se actualizó con IA. Las simulaciones de IA se desempeñaron significativamente mejor al predecir el área quemada por el fuego.
Amy DeCastro es científica de NCAR y autora principal de el estudio.
"Uno de nuestros principales desafíos en el modelado de incendios forestales ha sido obtener datos precisos, incluidos datos sobre el combustible", dijo DeCastro. "En este estudio, demostramos que el uso combinado de aprendizaje automático e imágenes satelitales proporciona una solución viable".
Las simulaciones del modelo se ejecutaron en el NCAR-Wyoming Supercomputing Center en el sistema Cheyenne.
Los modelos destinados a simular incendios forestales con precisión requieren mucha información detallada sobre las condiciones actuales, como el clima local y el terreno. También requieren información sobre la materia vegetal, que actúa como combustible para el fuego.
El conjunto de datos LANDFIRE
El mejor conjunto de datos de combustible es producido por LANDFIRE, que es un programa federal que produce conjuntos de datos geoespaciales que contienen información sobre combustibles de incendios forestales. Para crear los conjuntos de datos de combustible de incendios forestales, los expertos necesitan muchas imágenes satelitales, simulación de paisajes e información de encuestas. Debido a la gran cantidad de datos necesarios, lleva mucho tiempo actualizar los conjuntos de datos. Al mismo tiempo, los combustibles disponibles en un área pueden cambiar rápidamente.
El equipo actualizó el conjunto de datos de combustible utilizando los satélites Sentinel, que pertenecen al programa Copernicus de la Agencia Espacial Europea. Sentinel-1 proporciona datos sobre la textura de la superficie, que se pueden utilizar para identificar el tipo de vegetación. Sentinel-2 proporciona datos que pueden usarse para inferir la salud de la planta a partir de su verdor. Estos datos satelitales se incorporaron a un modelo de aprendizaje automático que se entrenó en la Encuesta de detección de insectos y enfermedades del Servicio Forestal de EE. UU., que se realiza anualmente para estimar la mortalidad de los árboles en el aire.
Con estas nuevas incorporaciones, el modelo de aprendizaje automático pudo actualizar con precisión los datos de combustible de LANDFIRE.
“Los datos de LANDFIRE son muy valiosos y proporcionan una plataforma confiable sobre la cual construir”, dijo DeCastro. “La inteligencia artificial demostró ser una herramienta eficaz para actualizar los datos de una manera que requiere menos recursos”.
Prueba del nuevo sistema
Luego, el equipo se dispuso a probar el efecto que tendría el inventario actualizado en las simulaciones de incendios forestales, por lo que utilizaron WRF-Fire, que fue desarrollado por NCAR para simular el comportamiento de los incendios forestales.
Primero usaron WRF-Fire para simular el East Troublesome Fire con el conjunto de datos de combustible LANDFIRE sin ajustar, lo que resultó en una predicción inferior a la cantidad de área que se quemaría. Sin embargo, cuando el modelo se ejecutó con el conjunto de datos ajustado, predijo esta área quemada con un grado de precisión mucho mayor. Lo hizo al predecir que la madera muerta y caída ayudaría a propagar el fuego.
Este modelo de aprendizaje automático está diseñado actualmente para actualizar los mapas de combustible existentes, pero eventualmente podría conducir a la producción y actualización regular de mapas de combustible desde cero.
Los investigadores de NCAR también esperan que el aprendizaje automático resuelva otros desafíos importantes en esta área, como mejorar nuestra capacidad para predecir las propiedades de las brasas generadas por un incendio.
El científico de NCAR, Timothy Juliano, es coautor del estudio.
“Tenemos tanta tecnología, tanto poder de cómputo y tantos recursos a nuestro alcance para resolver estos problemas y mantener a las personas seguras”, dijo Juliano. “Estamos bien posicionados para tener un impacto positivo; solo tenemos que seguir trabajando en ello”.
