Nuova tecnica di intelligenza artificiale può migliorare le previsioni degli incendi boschivi

Gli scienziati del National Center for Atmospheric Research (NCAR) hanno sviluppato una nuova tecnica che utilizza l’intelligenza artificiale (AI) per migliorare le previsioni degli incendi boschivi. La tecnica aiuta ad aggiornare efficientemente le mappe della vegetazione utilizzate dai modelli computerizzati degli incendi boschivi per prevedere con precisione il comportamento e la diffusione degli incendi.

Il metodo è stato dimostrato utilizzando l’incendio East Troublesome Fire del 2020 in Colorado. Durante questo incendio, la vegetazione dell’area poi bruciata era stata erroneamente classificata come sana negli inventari del materiale combustibile. Ma in realtà, l’area che bruciò era stata recentemente colpita da coleotteri della corteccia del pino e tempeste di vento, che lasciarono grandi porzioni di legno morto e a terra.

Confronto delle simulazioni degli incendi boschivi

Il team ha confrontato le simulazioni dell’incendio generate da un modello di comportamento degli incendi boschivi che utilizzava l’inventario di combustibile standard e un altro che era stato aggiornato con l’AI. Le simulazioni basate sull’AI hanno dato risultati significativamente migliori nella previsione dell’area bruciata dall’incendio.

Amy DeCastro è una scienziata dell’NCAR e autrice principale di questo studio.

“Una delle nostre principali sfide nella modellazione degli incendi boschivi è stata quella di ottenere input precisi, compresi i dati sui combustibili”, ha detto DeCastro. “In questo studio, mostriamo che l’uso combinato di apprendimento automatico e immagini satellitari fornisce una soluzione fattibile.”

Le simulazioni del modello sono state eseguite al centro di supercalcolo NCAR-Wyoming sul sistema Cheyenne.

I modelli destinati a simulare con precisione gli incendi boschivi richiedono molte informazioni dettagliate sulle condizioni attuali, come il tempo locale e il terreno. Richiedono anche informazioni sulla materia vegetale, che agisce come combustibile per l’incendio.

Il set di dati LANDFIRE

Il miglior set di dati sui combustibili è prodotto da LANDFIRE, che è un programma federale che produce set di dati geospaziali che contengono informazioni sui combustibili degli incendi boschivi. Per creare i set di dati sui combustibili degli incendi boschivi, gli esperti necessitano di molte immagini satellitari, simulazioni del paesaggio e informazioni di indagine. A causa della grande quantità di dati richiesti, ci vuole molto tempo per aggiornare i set di dati. Allo stesso tempo, i combustibili disponibili in un’area possono cambiare rapidamente.

Il team ha aggiornato il set di dati sui combustibili utilizzando i satelliti Sentinel, che appartengono al programma Copernicus dell’Agenzia spaziale europea. Il Sentinel-1 fornisce dati sulla texture della superficie, che possono essere utilizzati per identificare il tipo di vegetazione. Il Sentinel-2 fornisce dati che possono essere utilizzati per inferire la salute della pianta dalla sua verdezza. Questi dati satellitari sono stati immessi in un modello di apprendimento automatico che è stato addestrato sull’indagine annuale di rilevamento di insetti e malattie del Servizio forestale degli Stati Uniti, condotta per stimare dall’alto la mortalità degli alberi.

Con queste nuove aggiunte, il modello di apprendimento automatico è stato in grado di aggiornare con precisione i dati sui combustibili di LANDFIRE.

“I dati di LANDFIRE sono super preziosi e forniscono una piattaforma affidabile su cui costruire”, ha detto DeCastro. “L’intelligenza artificiale si è rivelata uno strumento efficace per aggiornare i dati in modo meno intensivo in termini di risorse.”

Test del nuovo sistema

Il team ha quindi cercato di testare l’effetto che l’inventario aggiornato avrebbe avuto sulle simulazioni degli incendi boschivi, e ha utilizzato WRF-Fire, che è stato sviluppato dall’NCAR per simulare il comportamento degli incendi boschivi.

Hanno prima utilizzato WRF-Fire per simulare l’incendio East Troublesome Fire con il set di dati sui combustibili di LANDFIRE non aggiornato, che ha portato a una sottostima dell’area che sarebbe stata bruciata dall’incendio. Tuttavia, quando il modello è stato eseguito con il set di dati aggiornato, ha previsto l’area bruciata con un grado di accuratezza molto maggiore. Ciò è stato fatto prevedendo che il legno morto e a terra avrebbe aiutato a diffondere l’incendio.

Questo modello di apprendimento automatico è attualmente progettato per aggiornare le mappe dei combustibili esistenti, ma potrebbe in futuro portare alla produzione regolare e all’aggiornamento delle mappe dei combustibili da zero.

I ricercatori dell’NCAR sperano anche che l’apprendimento automatico risolva altre grandi sfide in questo settore, come migliorare la nostra capacità di prevedere le proprietà delle braci generate da un incendio.

Lo scienziato dell’NCAR Timothy Juliano è coautore dello studio.

“Abbiamo così tanta tecnologia e così tanto potenza di calcolo e così tante risorse a nostra disposizione per risolvere questi problemi e tenere le persone al sicuro”, ha detto Juliano. “Siamo ben posizionati per avere un impatto positivo; dobbiamo solo continuare a lavorarci.”