Uusi tekoälytekniikka voi parantaa metsäpalojen ennusteita

Yhdysvaltain ilmakehätutkimuskeskuksen (NCAR) tutkijat ovat kehittäneet uuden tekniikan, joka parantaa metsäpaloennusteita tekoälyn avulla. Tekniikka auttaa päivittämään tehokkaasti kasvillisuuskarttoja, joita metsäpalojen tietokonemallit käyttävät palon käyttäytymisen ja leviämisen tarkkaan ennustamiseen.

Menetelmää havainnollistettiin Coloradossa vuonna 2020 riehuneen East Troublesome -palon avulla. Palanut alue oli luokiteltu palavan aineksen inventaareissa virheellisesti terveeksi. Todellisuudessa alue oli hiljattain kärsinyt mäntyjä vahingoittavista kaarnakuoriaisista ja myrskytuulista, joiden jäljiltä siellä oli runsaasti kuollutta ja kaatunutta puustoa.

Metsäpalosimulaatioiden vertailu

Tutkijaryhmä vertasi kahta palon käyttäytymismallilla tehtyä simulaatiota: toinen käytti tavanomaista palavan aineksen inventaaria ja toinen tekoälyllä päivitettyä versiota. Tekoälyä hyödyntäneet simulaatiot ennustivat palaneen alueen huomattavasti paremmin.

Amy DeCastro on NCAR:n tutkija ja tutkimuksen pääkirjoittaja.

”Yksi keskeisistä haasteistamme metsäpalojen mallintamisessa on ollut tarkkojen lähtötietojen, myös palavaa ainesta koskevien tietojen, saaminen”, DeCastro sanoi. ”Tässä tutkimuksessa osoitamme, että koneoppimisen ja satelliittikuvien yhteiskäyttö tarjoaa toimivan ratkaisun.”

Mallisimulaatiot ajettiin NCAR-Wyomingin supertietokonekeskuksen Cheyenne-järjestelmällä.

Metsäpaloja tarkasti simuloivat mallit tarvitsevat paljon yksityiskohtaista tietoa vallitsevista olosuhteista, kuten paikallisesta säästä ja maastosta. Ne tarvitsevat myös tietoa kasviaineksesta, joka toimii palon polttoaineena.

LANDFIRE-aineisto

Parhaan palavaa ainesta koskevan aineiston tuottaa LANDFIRE, liittovaltion ohjelma, joka laatii maastopalojen polttoaineita kuvaavia paikkatietoaineistoja. Niiden tuottamiseen asiantuntijat tarvitsevat paljon satelliittikuvia, maisemasimulaatioita ja kartoitustietoa. Tarvittavien tietojen suuren määrän vuoksi aineistojen päivittäminen kestää kauan. Alueen palava aines voi kuitenkin muuttua nopeasti.

Ryhmä päivitti palavan aineksen aineistoa Euroopan avaruusjärjestön Copernicus-ohjelmaan kuuluvien Sentinel-satelliittien avulla. Sentinel-1 tuottaa tietoa pinnan rakenteesta, jonka perusteella voidaan tunnistaa kasvillisuustyyppi. Sentinel-2:n tietojen avulla kasvien terveydentilaa voidaan päätellä niiden vihreydestä. Satelliittitiedot syötettiin koneoppimismalliin, joka oli koulutettu Yhdysvaltain metsäpalvelun hyönteis- ja tautivaurioiden havaintokartoituksella. Kartoitus tehdään vuosittain puuston kuolleisuuden arvioimiseksi ilmasta.

Näiden uusien tietojen avulla koneoppimismalli pystyi päivittämään LANDFIREn palavaa ainesta koskevat tiedot tarkasti.

”LANDFIREn tiedot ovat erittäin arvokkaita ja tarjoavat luotettavan perustan jatkotyölle”, DeCastro sanoi. ”Tekoäly osoittautui tehokkaaksi työkaluksi tietojen päivittämiseen vähemmän resursseja vaativalla tavalla.”

Uuden järjestelmän testaaminen

Seuraavaksi ryhmä testasi päivitetyn inventaarin vaikutusta metsäpalosimulaatioihin. Tätä varten se käytti NCAR:n metsäpalojen käyttäytymisen simulointiin kehittämää WRF-Fire-mallia.

Ensin East Troublesome -palo simuloitiin WRF-Firellä käyttäen muuttamatonta LANDFIRE-aineistoa, jolloin malli aliarvioi palavan alueen koon. Päivitetyllä aineistolla malli ennusti palaneen alueen huomattavasti tarkemmin, sillä se ennusti kuolleen ja kaatuneen puuston edistävän palon leviämistä.

Tämä koneoppimismalli on tällä hetkellä suunniteltu päivittämään olemassa olevia palavan aineksen karttoja, mutta se saattaa lopulta mahdollistaa karttojen säännöllisen laatimisen alusta lähtien ja niiden päivittämisen.

NCAR:n tutkijat toivovat koneoppimisen ratkaisevan myös muita alan suuria haasteita, kuten parantavan kykyämme ennustaa palon synnyttämien kekäleiden ominaisuuksia.

NCAR:n tutkija Timothy Juliano on yksi tutkimuksen kirjoittajista.

”Meillä on käytettävissämme valtavasti teknologiaa, laskentatehoa ja resursseja näiden ongelmien ratkaisemiseen ja ihmisten suojelemiseen”, Juliano sanoi. ”Meillä on hyvät edellytykset saada aikaan myönteistä muutosta; meidän on vain jatkettava työtä.”