La Garde nationale complète les drones de détection d’incendies avec l’IA

À mesure que les incendies deviennent plus importants et plus dangereux, diverses agences gouvernementales et privées ont recours à l’IA pour détecter et potentiellement prédire les incendies de forêt. La Garde nationale a effectué des vols de reconnaissance en Californie pendant la fin de l’été et l’automne pendant les dernières années, mais maintenant les drones utilisés pour effectuer ces vols ont reçu des mises à niveau avec des algorithmes d’IA destinés à générer automatiquement des cartes d’incendies dans une région particulière.

La création de cartes d’incendies est un processus extrêmement difficile qui nécessite l’analyse de données pour cartographier des incendies en constante évolution qui se déplacent sur un terrain accidenté. Les observations aériennes et terrestres sont utilisées pour créer des cartes d’incendies, et les cartes d’incendies sont généralement mises à jour seulement une fois par jour ou plus. Les grands incendies peuvent se déplacer jusqu’à 15 miles en une seule journée, comme en témoignent certains des incendies de cette saison des incendies. Les agences de surveillance des incendies ont besoin de moyens plus rapides de collecte de données sur les incendies et de mise à jour des cartes d’incendies, et les drones aériens combinés avec l’IA peuvent répondre à ce besoin.

Les systèmes de cartographie des incendies, dont beaucoup reposent sur les données satellitaires, utilisent généralement l’une des deux méthodes de détection des incendies possibles. Les incendies sont détectés soit en détectant la chaleur qui émane de la surface de la Terre (en détectant des zones anormalement chaudes), soit en analysant les émissions d’aérosols (en détectant les particules de fumée libérées dans l’air lorsque la biomasse brûle). Une fois que les incendies potentiels sont détectés, ils peuvent être confirmés à l’aide de systèmes d’imagerie haute résolution comme les drones. Les caméras équipant les drones de la Garde nationale sont capables de montrer des incendies à une résolution de seulement 90 pieds au-dessus du sol.

La Garde nationale a équipé ses drones MQ-9 “Reaper” d’algorithmes d’IA destinés à détecter les incendies et à générer des cartes d’incendies. Les algorithmes d’IA sont utilisés pour collecter des données sur les incendies qui brûlent actuellement et détecter les “incendies de spot” qui ont été déclenchés par des incendies plus importants. Le projet a été mené par le Joint Artificial Intelligence Center (JAIC), une division créée par le Pentagone en 2018. Le système de cartographie des incendies du JAIC utilise des algorithmes d’apprentissage automatique formés sur des images aériennes d’incendies passés avec des limites annotées. L’algorithme peut alors prendre des images non vues avec seulement des données de localisation et détecter les incendies, en produisant une carte qui montre les régions qui brûlent. La localisation des incendies de spot est également indiquée.

Par rapport au processus de génération de cartes d’incendies qui dure toute la journée utilisé par d’autres agences, le système de cartographie des incendies du JAIC est beaucoup plus rapide. Le processus de cartographie des incendies alimenté par l’IA peut générer une nouvelle carte d’incendie environ toutes les demi-heures. Selon la Garde nationale aérienne de Californie, les cartes produites par le nouveau système sont précises et les commentaires de CalFire ont été positifs. Si les cartes continuent à se révéler fiables et peuvent être intégrées avec succès aux opérations de CalFire, elles pourraient être déployées pour aider à détecter les incendies pendant la prochaine saison des incendies.

Au-delà de la cartographie des limites des incendies actuels, l’IA peut aider les équipes de lutte contre les incendies à prédire le mouvement des incendies. CalFire lui-même a récemment commencé à travailler avec un outil appelé WildFire Analyst Enterprise. L’outil d’analyse des incendies de forêt a été créé par Technosylva, et il fonctionne en combinant différents modèles de propagation des incendies. Ces modèles sont améliorés grâce à l’utilisation d’algorithmes d’apprentissage automatique, formés sur les caractéristiques des incendies de forêt passés (comme le contenu en humidité de la végétation, les conditions météorologiques et les images satellitaires). Le modèle compare ensuite les données sur un incendie actuel aux données sur les incendies passés afin de prédire comment cet incendie pourrait se propager. Le logiciel permet également à l’utilisateur de créer des simulations basées sur la manière dont les différentes variables comme les conditions météorologiques changent. L’outil a prédit avec exactitude que le complexe d’incendies de foudre CZU se déplacerait vers la ville de Felton, permettant aux équipes de lutte contre les incendies d’arriver tôt et de sauver de nombreuses structures qui n’auraient peut-être pas été sauvées autrement.

Pendant ce temps, les services de lutte contre les incendies dans le sud de la Californie utilisent un autre système de suivi et de prédiction des incendies appelé FireMap, développé par le Wifire Lab. FireMap utilise à la fois des données aériennes et terrestres provenant de caméras, ainsi que des conditions climatiques, des conditions de vent, du contenu en humidité de la végétation et plus encore, pour prédire où les incendies se propageront.

À mesure que davantage de plateformes de détection et de prédiction d’incendies alimentées par l’IA sont créées, les drones deviendront probablement de plus en plus importants. Les satellites sont extrêmement utiles, mais ils ont des limites en termes de type et de volume de données qu’ils peuvent collecter. Deux types de satellites sont utilisés pour collecter des données : les satellites orbitaux polaires et les satellites géosynchrones. Les satellites orbitaux polaires sont capables de prendre des images haute résolution, mais les images ne sont capturées que deux fois par jour. En revanche, les images collectées par les satellites géosynchrones sont collectées plus fréquemment, généralement toutes les 5 minutes ou plus. Cependant, les satellites géosynchrones doivent voler à environ 22 000 miles au-dessus de la surface de la Terre pour rester en synchronisation avec l’orbite de la Terre. En conséquence, ces images contiennent beaucoup moins de détails que les satellites orbitaux polaires. Les drones peuvent aider à combler les lacunes dans les données, en obtenant des images plus constantes et plus détaillées d’une zone d’intérêt.