Teknik AI Baru Dapat Meningkatkan Prakiraan Kebakaran Hutan

Ilmuwan di Pusat Penelitian Atmosfer Nasional (NCAR) telah mengembangkan teknik baru yang menggunakan kecerdasan buatan (AI) untuk meningkatkan prakiraan kebakaran hutan. Teknik ini membantu memperbarui peta vegetasi yang digunakan oleh model komputer kebakaran hutan untuk memprediksi perilaku dan penyebaran api dengan akurat.

Metode ini didemonstrasikan menggunakan kebakaran East Troublesome Fire di Colorado pada tahun 2020. Selama kebakaran ini, lahan yang terbakar salah dikarakterisasi dalam inventori bahan bakar sebagai lahan yang sehat. Namun, kenyataannya, area yang terbakar baru-baru ini terkena dampak kumbang kulit kayu pinus dan badai, yang menyisakan banyak pohon mati dan tumbang.

Membandingkan Simulasi Kebakaran Hutan

Tim membandingkan simulasi kebakaran yang dihasilkan oleh model perilaku kebakaran hutan yang menggunakan inventori bahan bakar standar dan yang diperbarui dengan AI. Simulasi berbantuan AI berkinerja jauh lebih baik dalam memprediksi area yang terbakar oleh api.

Amy DeCastro adalah ilmuwan NCAR dan penulis utama dari studi tersebut.

“Salah satu tantangan utama kami dalam pemodelan kebakaran hutan adalah mendapatkan input yang akurat, termasuk data bahan bakar,” kata DeCastro. “Dalam studi ini, kami menunjukkan bahwa penggunaan gabungan pembelajaran mesin dan citra satelit menyediakan solusi yang layak.”

Simulasi model dijalankan di Pusat Superkomputing NCAR-Wyoming pada sistem Cheyenne.

Model yang dirancang untuk mensimulasikan kebakaran hutan dengan akurat memerlukan banyak informasi rinci tentang kondisi saat ini, seperti cuaca dan topografi lokal. Mereka juga memerlukan informasi tentang bahan tanaman, yang bertindak sebagai bahan bakar untuk api.

Dataset LANDFIRE

Dataset bahan bakar terbaik dihasilkan oleh LANDFIRE, yang merupakan program federal yang menghasilkan dataset geospasial yang berisi informasi tentang bahan bakar kebakaran hutan. Untuk membuat dataset bahan bakar kebakaran hutan, para ahli memerlukan banyak citra satelit, simulasi lanskap, dan informasi survei. Karena jumlah data yang diperlukan sangat besar, memerlukan waktu lama untuk memperbarui dataset. Sementara itu, bahan bakar yang tersedia di suatu area dapat berubah dengan cepat.

Tim memperbarui dataset bahan bakar dengan menggunakan satelit Sentinel, yang merupakan bagian dari program Copernicus Badan Antariksa Eropa. Sentinel-1 menyediakan data tentang tekstur permukaan, yang dapat digunakan untuk mengidentifikasi jenis vegetasi. Sentinel-2 menyediakan data yang dapat digunakan untuk menyimpulkan kondisi kesehatan tanaman dari kehijauannya. Data satelit ini dimasukkan ke dalam model pembelajaran mesin yang telah dilatih pada Survei Deteksi Hama dan Penyakit Kehutanan AS, yang dilakukan setiap tahun untuk memperkirakan kematian pohon dari udara.

Dengan penambahan baru ini, model pembelajaran mesin dapat memperbarui data bahan bakar LANDFIRE dengan akurat.

“Data LANDFIRE sangat berharga dan menyediakan landasan andal untuk pengembangan lebih lanjut,” kata DeCastro. “Kecerdasan buatan terbukti menjadi alat yang efektif untuk memperbarui data dengan cara yang kurang intensif sumber daya.”

Menguji Sistem Baru

Tim kemudian berusaha untuk menguji efek inventori yang diperbarui terhadap simulasi kebakaran hutan, sehingga mereka menggunakan WRF-Fire, yang dikembangkan oleh NCAR untuk mensimulasikan perilaku kebakaran hutan.

Mereka pertama-tama menggunakan WRF-Fire untuk mensimulasikan kebakaran East Troublesome Fire dengan dataset bahan bakar LANDFIRE yang tidak disesuaikan, yang menghasilkan perkiraan luas area yang terbakar menjadi terlalu rendah. Namun, ketika model dijalankan dengan dataset yang disesuaikan, itu memprediksi area yang terbakar dengan tingkat akurasi yang jauh lebih tinggi. Ini dilakukan dengan memprediksi bahwa kayu mati dan tumbang akan membantu penyebaran api.

Model pembelajaran mesin ini saat ini dirancang untuk memperbarui peta bahan bakar yang ada, tetapi itu bisa mengarah pada pembuatan dan pembaruan peta bahan bakar secara rutin dari awal.

Peneliti di NCAR juga berharap bahwa pembelajaran mesin akan menyelesaikan tantangan besar lainnya di area ini, seperti meningkatkan kemampuan kita untuk memprediksi sifat-sifat bara yang dihasilkan oleh kebakaran.

Ilmuwan NCAR Timothy Juliano adalah salah satu penulis studi tersebut.

“Kami memiliki banyak teknologi dan kekuatan komputasi dan banyak sumber daya di ujung jari kami untuk menyelesaikan masalah ini dan menjaga orang tetap aman,” kata Juliano. “Kami berada dalam posisi yang baik untuk membuat dampak positif; kami hanya perlu terus mengupayakannya.”