ປັນຍາປະດິດ
ເທັກນິກ AI ໃໝ່ສາມາດປັບປຸງການພະຍາກອນໄຟປ່າໄດ້
ນັກວິທະຍາສາດຢູ່ສູນຄົ້ນຄວ້າບັນຍາກາດແຫ່ງຊາດ (NCAR) ໄດ້ພັດທະນາເຕັກນິກໃໝ່ທີ່ໃຊ້ປັນຍາປະດິດ (AI) ເພື່ອປັບປຸງການພະຍາກອນໄຟປ່າ. ເຕັກນິກດັ່ງກ່າວຈະຊ່ວຍປັບປຸງແຜນທີ່ພືດພັນຢ່າງມີປະສິດທິພາບທີ່ນຳໃຊ້ໂດຍຕົວແບບຄອມພິວເຕີໄຟປ່າເພື່ອຄາດຄະເນພຶດຕິກຳ ແລະ ການແຜ່ລາມຂອງໄຟໄດ້ຢ່າງຖືກຕ້ອງ.
ວິທີການດັ່ງກ່າວໄດ້ຖືກສະແດງໃຫ້ເຫັນໂດຍໃຊ້ 2020 East Troublesome Fire ໃນ Colorado. ໃນລະຫວ່າງໄຟໄຫມ້ນີ້, ທີ່ດິນທີ່ຖືກໄຟໄຫມ້ແມ່ນບໍ່ຖືກຕ້ອງໃນຄັງສິນຄ້ານໍ້າມັນເຊື້ອໄຟວ່າເປັນສຸຂະພາບດີ. ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ເຂດທີ່ຖືກໄຟໄໝ້ເມື່ອບໍ່ດົນມານີ້ໄດ້ຮັບຜົນກະທົບຈາກແມງໄມ້ຕົ້ນແປກແລະລົມແຮງ, ເຊິ່ງເຮັດໃຫ້ໄມ້ຕາຍເປັນຈຳນວນຫຼວງຫຼາຍ.
ການປຽບທຽບການຈຳລອງໄຟໄໝ້ປ່າ
ທີມງານໄດ້ປຽບທຽບການຈໍາລອງໄຟທີ່ສ້າງຂຶ້ນໂດຍຮູບແບບການປະພຶດຂອງໄຟໄຫມ້ປ່າທີ່ໃຊ້ຄັງສິນຄ້ານໍ້າມັນເຊື້ອໄຟມາດຕະຖານແລະອີກອັນຫນຶ່ງທີ່ຖືກປັບປຸງດ້ວຍ AI. ການຈໍາລອງ AI ປະຕິບັດໄດ້ດີກວ່າຫຼາຍເມື່ອຄາດຄະເນພື້ນທີ່ທີ່ຖືກໄຟໄຫມ້.
Amy DeCastro ເປັນນັກວິທະຍາສາດ NCAR ແລະຜູ້ຂຽນນໍາ ການຮຽນ.
"ຫນຶ່ງໃນສິ່ງທ້າທາຍຕົ້ນຕໍຂອງພວກເຮົາໃນການສ້າງແບບຈໍາລອງໄຟໄຫມ້ປ່າແມ່ນການໄດ້ຮັບຂໍ້ມູນທີ່ຖືກຕ້ອງ, ລວມທັງຂໍ້ມູນນໍ້າມັນເຊື້ອໄຟ," DeCastro ກ່າວ. "ໃນການສຶກສານີ້, ພວກເຮົາສະແດງໃຫ້ເຫັນວ່າການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກແລະຮູບພາບດາວທຽມປະສົມປະສານສະຫນອງການແກ້ໄຂທີ່ເປັນໄປໄດ້."
ການຈໍາລອງແບບຈໍາລອງໄດ້ຖືກດໍາເນີນຢູ່ໃນສູນ NCAR-Wyoming Supercomputing ໃນລະບົບ Cheyenne.
ຮູບແບບຕ່າງໆເພື່ອຈຳລອງໄຟໄໝ້ປ່າໄດ້ຢ່າງຖືກຕ້ອງ ຕ້ອງການຂໍ້ມູນລະອຽດຫຼາຍຢ່າງກ່ຽວກັບສະພາບປັດຈຸບັນ ເຊັ່ນ: ສະພາບອາກາດ ແລະພູມສັນຖານທ້ອງຖິ່ນ. ພວກເຂົາຍັງຕ້ອງການຂໍ້ມູນກ່ຽວກັບພືດ, ເຊິ່ງເຮັດຫນ້າທີ່ເປັນນໍ້າມັນສໍາລັບໄຟ.
ຊຸດຂໍ້ມູນ LANDFIRE
ຊຸດຂໍ້ມູນນໍ້າມັນເຊື້ອໄຟທີ່ດີທີ່ສຸດແມ່ນຜະລິດໂດຍ LANDFIRE, ເຊິ່ງເປັນໂຄງການຂອງລັດຖະບານກາງທີ່ຜະລິດຊຸດຂໍ້ມູນພູມສັນຖານທີ່ມີຂໍ້ມູນກ່ຽວກັບນໍ້າມັນໄຟປ່າ. ເພື່ອສ້າງຊຸດຂໍ້ມູນໄຟໄຫມ້ປ່າ, ຜູ້ຊ່ຽວຊານຕ້ອງການຮູບພາບດາວທຽມຫຼາຍ, ການຈໍາລອງພູມສັນຖານ, ແລະຂໍ້ມູນການສໍາຫຼວດ. ເນື່ອງຈາກຈໍານວນຂໍ້ມູນທີ່ຕ້ອງການຈໍານວນຫຼາຍ, ມັນໃຊ້ເວລາດົນໃນການປັບປຸງຊຸດຂໍ້ມູນ. ໃນເວລາດຽວກັນ, ນໍ້າມັນເຊື້ອໄຟທີ່ມີຢູ່ໃນພື້ນທີ່ສາມາດປ່ຽນແປງໄດ້ໄວ.
ທີມງານໄດ້ປັບປຸງຊຸດຂໍ້ມູນນໍ້າມັນເຊື້ອໄຟໂດຍໃຊ້ດາວທຽມ Sentinel, ເຊິ່ງຂຶ້ນກັບໂຄງການ Copernicus ຂອງອົງການອະວະກາດເອີຣົບ. Sentinel-1 ໃຫ້ຂໍ້ມູນປະມານໂຄງສ້າງພື້ນຜິວ, ເຊິ່ງສາມາດຖືກນໍາໃຊ້ເພື່ອກໍານົດປະເພດພືດ. Sentinel-2 ສະໜອງຂໍ້ມູນທີ່ສາມາດໃຊ້ເພື່ອປະເມີນສຸຂະພາບຂອງພືດຈາກຄວາມຂຽວຂອງມັນ. ຂໍ້ມູນດາວທຽມນີ້ໄດ້ຖືກປ້ອນເຂົ້າໄປໃນຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນການສໍາຫຼວດກວດແມງໄມ້ແລະພະຍາດຂອງບໍລິການປ່າໄມ້ສະຫະລັດ, ເຊິ່ງດໍາເນີນການປະຈໍາປີເພື່ອຄາດຄະເນການຕາຍຂອງຕົ້ນໄມ້ຈາກອາກາດ.
ດ້ວຍການເພີ່ມໃໝ່ເຫຼົ່ານີ້, ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກສາມາດອັບເດດຂໍ້ມູນນໍ້າມັນເຊື້ອໄຟຂອງ LANDFIRE ໄດ້ຢ່າງຖືກຕ້ອງ.
ທ່ານ DeCastro ກ່າວວ່າ "ຂໍ້ມູນ LANDFIRE ແມ່ນມີຄຸນຄ່າສູງແລະເປັນເວທີທີ່ ໜ້າ ເຊື່ອຖືໃນການກໍ່ສ້າງ,". "ປັນຍາປະດິດໄດ້ພິສູດວ່າເປັນເຄື່ອງມືທີ່ມີປະສິດຕິພາບໃນການປັບປຸງຂໍ້ມູນໃນລັກສະນະທີ່ມີຊັບພະຍາກອນຫນ້ອຍ."
ການທົດສອບລະບົບໃຫມ່
ຫຼັງຈາກນັ້ນ, ທີມງານໄດ້ກໍານົດອອກເພື່ອທົດສອບຜົນກະທົບຂອງສິນຄ້າຄົງຄັງທີ່ປັບປຸງໃຫມ່ຈະມີຢູ່ໃນການຈໍາລອງໄຟໄຫມ້ປ່າ, ດັ່ງນັ້ນພວກເຂົາຈຶ່ງໃຊ້ WRF-Fire, ເຊິ່ງຖືກພັດທະນາໂດຍ NCAR ເພື່ອຈໍາລອງພຶດຕິກໍາໄຟປ່າ.
ທໍາອິດພວກເຂົາໃຊ້ WRF-Fire ເພື່ອຈໍາລອງ East Troublesome Fire ກັບຊຸດຂໍ້ມູນນໍ້າມັນເຊື້ອໄຟ LANDFIRE ທີ່ບໍ່ໄດ້ຮັບການປັບຕົວ, ເຊິ່ງສົ່ງຜົນໃຫ້ມັນຄາດຄະເນຫນ້ອຍລົງຂອງພື້ນທີ່ທີ່ຈະໄຟໄຫມ້. ຢ່າງໃດກໍຕາມ, ເມື່ອຕົວແບບຖືກດໍາເນີນການກັບຊຸດຂໍ້ມູນທີ່ຖືກປັບ, ມັນໄດ້ຄາດຄະເນພື້ນທີ່ທີ່ຖືກໄຟໄຫມ້ນີ້ດ້ວຍລະດັບຄວາມຖືກຕ້ອງຫຼາຍກວ່າເກົ່າ. ມັນໄດ້ເຮັດແນວນີ້ໂດຍການຄາດເດົາວ່າໄມ້ທີ່ຕາຍແລ້ວແລະໄມ້ທີ່ຖືກທໍາລາຍຈະຊ່ວຍໃຫ້ໄຟໄຫມ້ໄດ້.
ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກນີ້ໄດ້ຖືກອອກແບບໃນປັດຈຸບັນເພື່ອປັບປຸງແຜນທີ່ນໍ້າມັນເຊື້ອໄຟທີ່ມີຢູ່, ແຕ່ໃນທີ່ສຸດມັນອາດຈະນໍາໄປສູ່ການຜະລິດປົກກະຕິແລະການປັບປຸງແຜນທີ່ນໍ້າມັນເຊື້ອໄຟຈາກຈຸດເລີ່ມຕົ້ນ.
ນັກຄົ້ນຄວ້າຢູ່ NCAR ຍັງຫວັງວ່າການຮຽນຮູ້ເຄື່ອງຈັກຈະແກ້ໄຂສິ່ງທ້າທາຍທີ່ສໍາຄັນອື່ນໆໃນຂົງເຂດນີ້, ເຊັ່ນ: ການປັບປຸງຄວາມສາມາດຂອງພວກເຮົາໃນການຄາດຄະເນຄຸນສົມບັດຂອງ embers ທີ່ເກີດຈາກໄຟ.
Timothy Juliano ນັກວິທະຍາສາດ NCAR ເປັນຜູ້ຂຽນຮ່ວມຂອງການສຶກສາ.
Juliano ກ່າວວ່າ "ພວກເຮົາມີເຕັກໂນໂລຢີຫຼາຍແລະພະລັງງານຄອມພິວເຕີ້ຫຼາຍແລະຊັບພະຍາກອນຫຼາຍຢ່າງຢູ່ທີ່ປາຍນິ້ວມືຂອງພວກເຮົາເພື່ອແກ້ໄຂບັນຫາເຫຼົ່ານີ້ແລະຮັກສາຄົນໃຫ້ປອດໄພ," Juliano ເວົ້າ. “ພວກ ເຮົາ ກໍາ ລັງ positioned ດີ ທີ່ ຈະ ສ້າງ ຜົນ ກະ ທົບ ທາງ ບວກ; ພວກເຮົາພຽງແຕ່ຕ້ອງການສືບຕໍ່ເຮັດວຽກກັບມັນ.”