Nieuwe AI-techniek kan bosbrandvoorspellingen verbeteren

Wetenschappers van het National Center for Atmospheric Research (NCAR) hebben een nieuwe techniek ontwikkeld die gebruik maakt van kunstmatige intelligentie (AI) om bosbrandvoorspellingen te verbeteren. De techniek helpt bij het efficiënt updaten van vegetatiekaarten die door bosbrandcomputermodellen worden gebruikt om het brandgedrag en de verspreiding van branden nauwkeurig te voorspellen.

De methode werd gedemonstreerd met behulp van de East Troublesome Fire in Colorado in 2020. Tijdens deze brand werd de verbrande grond in brandstofinventarissen verkeerd gekarakteriseerd als gezond. In werkelijkheid was het gebied dat verbrand was onlangs beïnvloed door schorskevers die dennen aantasten en windstormen, waardoor grote hoeveelheden dood en omgevallen hout achterbleven.

Bosbrandsimulaties vergelijken

Het team vergeleek simulaties van de brand met een model voor bosbrandgedrag: één gebruikte de standaardinventaris van brandbaar materiaal, de andere een met AI bijgewerkte inventaris. De AI-simulaties presteerden aanzienlijk beter bij het voorspellen van het gebied dat door de brand werd verbrand.

Amy DeCastro is een NCAR-wetenschapper en hoofdauteur van de studie.

“Een van onze belangrijkste uitdagingen in bosbrandmodellering is om accurate invoer te krijgen, waaronder brandstofgegevens,” zei DeCastro. “In deze studie laten we zien dat het gecombineerde gebruik van machine learning en satellietbeelden een haalbare oplossing biedt.”

De modelsimulaties werden uitgevoerd op het NCAR-Wyoming Supercomputing Center op het Cheyenne-systeem.

Modellen die bedoeld zijn om bosbranden nauwkeurig te simuleren, vereisen veel gedetailleerde informatie over de huidige omstandigheden, zoals het lokale weer en het terrein. Ze vereisen ook informatie over het plantenmateriaal, dat als brandstof voor de brand fungeert.

De LANDFIRE-dataset

De beste brandstofdataset wordt geproduceerd door LANDFIRE, een federaal programma dat georuimtelijke datasets produceert die informatie over bosbrandbrandstof bevatten. Om de bosbrandbrandstofdatasets te creëren, hebben deskundigen veel satellietbeelden, landschapssimulaties en surveyinformatie nodig. Vanwege de grote hoeveelheid benodigde gegevens, duurt het lang om de datasets bij te werken. Tegelijkertijd kunnen de beschikbare brandstoffen in een gebied snel veranderen.

Het team heeft de brandstofdataset bijgewerkt door gebruik te maken van de Sentinel-satellieten, die deel uitmaken van het Copernicus-programma van de Europese Ruimtevaartorganisatie. Sentinel-1 biedt gegevens over de oppervlakte-textuur, die kan worden gebruikt om het vegetatietype te identificeren. Sentinel-2 biedt gegevens die kunnen worden gebruikt om de gezondheid van de plant af te leiden uit de groenheid. Deze satellietgegevens werden ingevoerd in een machine learning-model dat was getraind op de Insect and Disease Detection Survey van de US Forest Service, die jaarlijks wordt uitgevoerd om boomsterfte vanuit de lucht te schatten.

Met deze nieuwe toevoegingen kon het machine learning-model de LANDFIRE-brandstofgegevens nauwkeurig bijwerken.

“De LANDFIRE-gegevens zijn super waardevol en bieden een betrouwbaar platform om op te bouwen,” zei DeCastro. “Kunstmatige intelligentie bleek een effectief hulpmiddel te zijn voor het bijwerken van de gegevens op een manier die minder middelen vergt.”

Het testen van het nieuwe systeem

Het team zette vervolgens een test op om te zien wat het effect van de bijgewerkte inventaris op bosbrandsimulaties zou zijn, dus gebruikten ze WRF-Fire, dat door NCAR was ontwikkeld om bosbrandgedrag te simuleren.

Ze gebruikten eerst WRF-Fire om de East Troublesome Fire te simuleren met de onbewerkte LANDFIRE-brandstofdataset, wat resulteerde in een onderschatting van het gebied dat zou afbranden. Echter, toen het model werd uitgevoerd met de aangepaste dataset, voorspelde het het verbrande gebied met een veel grotere mate van nauwkeurigheid. Het deed dit door te voorspellen dat de dode en omgevallen bomen zouden helpen bij de verspreiding van de brand.

Dit machine learning-model is momenteel ontworpen om bestaande brandstofkaarten bij te werken, maar het kan uiteindelijk leiden tot de regelmatige productie en bijwerking van brandstofkaarten vanaf de basis.

Onderzoekers bij NCAR hopen ook dat machine learning andere grote uitdagingen in dit gebied zal oplossen, zoals het verbeteren van onze mogelijkheid om de eigenschappen van de gloeiende deeltjes die bij een brand ontstaan te voorspellen.

NCAR-wetenschapper Timothy Juliano is medeauteur van de studie.

“We hebben zoveel technologie en zoveel rekenkracht en zoveel middelen tot onze beschikking om deze problemen op te lossen en mensen veilig te houden,” zei Juliano. “We zijn goed gepositioneerd om een positieve impact te maken; we moeten er alleen aan blijven werken.”