Nationale Garde voegt AI toe aan branddetectie-drones

Naarmate branden groter en gevaarlijker worden, zijn verschillende overheids- en particuliere instanties overgestapt op AI om bosbranden te detecteren en mogelijk te voorspellen. De Nationale Garde heeft de afgelopen jaren in de late zomer en herfst verkenningsvluchten uitgevoerd in Californië, maar nu hebben de drones die voor deze vluchten worden gebruikt upgrades ontvangen met AI-algoritmen die zijn bedoeld om automatisch kaarten van branden in een bepaald gebied te genereren.

Het maken van brandkaarten is een uiterst moeilijk proces dat gegevensanalyse vereist om constant veranderende branden in kaart te brengen terwijl ze over ruw terrein bewegen. Zowel lucht- als grondwaarnemingen worden gebruikt om brandkaarten te maken, en brandkaarten worden meestal alleen eenmaal per dag of zo bijgewerkt. Grote branden kunnen zich tot 15 mijl verplaatsen tijdens een enkele dag, zoals getuige van enkele van de branden in dit brandseizoen. Brandbewakingsinstanties hebben snellere manieren nodig om brandgegevens te verzamelen en brandkaarten bij te werken, en aeriale drones in combinatie met AI kunnen deze behoefte aanpakken.

Brandkaartsystemen, waarvan veel afhankelijk zijn van satellietgegevens, gebruiken meestal een van twee verschillende methoden om mogelijke branden te detecteren. De branden worden gedetecteerd door ofwel warmte te detecteren die van het aardoppervlak afkomstig is (het detecteren van ongebruikelijk hete gebieden) of door aerosoluitstoot te analyseren (het detecteren van rookdeeltjes die in de lucht worden vrijgegeven als biomassaverbrandt). Nadat potentiële branden zijn gedetecteerd, kunnen ze worden bevestigd door het gebruik van hoogresolutiebeelden van drones. De camera’s die op de drones van de Nationale Garde zijn gemonteerd, zijn in staat om branden weer te geven met een resolutie van slechts 90 voet boven de grond.

De Nationale Garde heeft zijn MQ-9 “Reaper”-drones uitgerust met AI-algoritmen die zijn bedoeld om branden te detecteren en brandkaarten te genereren. De AI-algoritmen worden gebruikt om gegevens te verzamelen over actief brandende branden en “spotbranden” te detecteren die zijn gestart door grotere branden. Het project werd aangedreven door het Joint Artificial Intelligence Center (JAIC), een divisie die in 2018 door het Pentagon is gecreëerd. Het JAIC-brandkaartsysteem maakt gebruik van machine learning-algoritmen die zijn getraind op luchtfoto’s van eerdere branden met geannoteerde grenzen. Het algoritme kan dan ongeziene beelden invoeren met alleen locatiegegevens en branden in die beelden detecteren, waarna een kaart wordt gegenereerd die aangeeft welke gebieden branden. De locatie van spotbranden wordt ook gemarkeerd.

In vergelijking met het dagelijkse brandkaartgeneratieproces dat door andere instanties wordt gebruikt, is het JAIC-brandkaartsysteem veel sneller. Het AI-gebaseerde brandkaartproces kan ongeveer elke half uur een nieuwe brandkaart genereren. Volgens de California Air National Guard zijn de kaarten die door het nieuwe systeem worden gegenereerd, nauwkeurig en de feedback van CalFire is positief. Als de kaarten blijven aantonen dat ze betrouwbaar zijn en succesvol geïntegreerd kunnen worden met de operaties van CalFire, kan het worden ingezet om branden te helpen detecteren tijdens het komende brandseizoen.

Naast het in kaart brengen van de grenzen van huidige branden, kan AI helpen bij het voorspellen van de beweging van branden. CalFire zelf is onlangs begonnen met het werken aan een tool genaamd WildFire Analyst Enterprise. Het wildbrandanalysietool is gemaakt door Technosylva en werkt door verschillende brandverspreidingsmodellen samen te voegen. Deze modellen worden verbeterd door het gebruik van machine learning-algoritmen, getraind op de kenmerken van eerdere wildbranden (zoals de vochtigheidsgraad van vegetatie, weersomstandigheden en satellietbeelden). Het model vergelijkt dan gegevens over een huidige brand met de gegevens over eerdere branden om voorspellingen te doen over hoe die brand zich kan verspreiden. De software laat de gebruiker ook toe om simulaties te maken op basis van hoe verschillende variabelen zoals weersomstandigheden veranderen. Het gereedschap heeft correct voorspeld dat de CZU Lightning Complex Fire zich zou verplaatsen naar de stad Felton, waardoor brandweerploegen vroeg konden arriveren en veel gebouwen konden redden die anders mogelijk niet gered zouden zijn.

Ondertussen gebruiken brandweerdepartementen in Zuid-Californië een ander brandvolgsysteem genaamd FireMap, ontwikkeld door de Wifire Lab. FireMap gebruikt zowel lucht- als grondgegevens van camera’s, evenals klimaatcondities, windcondities, de vochtigheidsgraad in vegetatie en meer, om te voorspellen waar branden zich zullen verspreiden.

Naarmate meer AI-gestuurde branddetectie- en voorspellingsplatforms worden gecreëerd, zullen drones waarschijnlijk steeds belangrijker worden. Satellieten zijn uiterst nuttig, maar ze hebben beperkingen met betrekking tot het type en de hoeveelheid gegevens die ze kunnen verzamelen. Twee soorten satellieten worden gebruikt om gegevens te verzamelen: polaire orbiter-satellieten en geosynchrone satellieten. Polaire orbiter-satellieten kunnen hoge resolutiebeelden maken, maar deze beelden worden alleen tweemaal per dag gemaakt. In tegenstelling tot de beelden die door geosynchrone satellieten worden verzameld, worden deze beelden vaker verzameld, meestal elke 5 minuten of zo. Echter, geosynchrone satellieten moeten ongeveer 22.000 mijl boven het aardoppervlak vliegen om in sync te blijven met de aardbaan. Als gevolg hiervan bevatten deze beelden veel minder details dan de polaire orbiter-satellieten. Drones kunnen helpen om de gaten in de gegevens op te vullen en meer constante, gedetailleerde beelden van een interessante regio te verkrijgen.