Nieuwe AI-techniek kan natuurbrandvoorspellingen verbeteren

Wetenschappers van het National Center for Atmospheric Research (NCAR) hebben een nieuwe techniek ontwikkeld die kunstmatige intelligentie (AI) gebruikt om natuurbrandvoorspellingen te verbeteren. De techniek helpt bij het efficiënt bijwerken van vegetatiekaarten die worden gebruikt door computermodellen voor natuurbranden om het gedrag en de verspreiding van branden nauwkeurig te voorspellen. 

De methode werd gedemonstreerd met behulp van de East Troublesome Fire 2020 in Colorado. Tijdens deze brand werd het verbrande land in brandstofinventarissen verkeerd gekarakteriseerd als gezond. Maar in werkelijkheid werd het gebied dat afbrandde onlangs getroffen door pijnboomkevers en stormen, waardoor grote delen dood en omgevallen hout achterbleven. 

Natuurvuursimulaties vergelijken

Het team vergeleek simulaties van de brand die werd gegenereerd door een natuurbrandgedragsmodel dat gebruik maakte van de standaard brandstofinventaris en een ander model dat was bijgewerkt met AI. De AI-simulaties presteerden aanzienlijk beter bij het voorspellen van het door de brand verbrande gebied. 

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

“Een van onze belangrijkste uitdagingen bij het modelleren van natuurbranden was het verkrijgen van nauwkeurige input, inclusief brandstofgegevens”, aldus DeCastro. “In deze studie laten we zien dat het gecombineerde gebruik van machine learning en satellietbeelden een haalbare oplossing biedt.”

De modelsimulaties werden uitgevoerd in 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 terrein. Ze hebben ook informatie nodig over het plantenmateriaal, dat als brandstof voor het vuur fungeert. 

De LANDFIRE-gegevensset

De beste brandstofdataset wordt geproduceerd door LANDFIRE, een federaal programma dat geospatiale datasets produceert die informatie bevatten over brandstoffen voor natuurbranden. Om de datasets voor natuurbrandbrandstof te maken, hebben experts veel satellietbeelden, landschapssimulatie en onderzoeksinformatie nodig. Door de grote hoeveelheid benodigde data duurt het lang om de datasets bij te werken. Tegelijkertijd kunnen de beschikbare brandstoffen in een gebied snel wisselen. 

Het team heeft de brandstofgegevensset bijgewerkt met behulp van de Sentinel-satellieten, die behoren tot het Copernicus-programma van de European Space Agency. Sentinel-1 levert gegevens over oppervlaktetextuur, die kunnen worden gebruikt om het vegetatietype te identificeren. Sentinel-2 levert gegevens die kunnen worden gebruikt om de gezondheid van de plant af te leiden uit zijn groenheid. Deze satellietgegevens werden ingevoerd in een machine learning-model dat werd 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 voort te bouwen", zei DeCastro. "Kunstmatige intelligentie bleek een effectief hulpmiddel te zijn om de gegevens op een minder resource-intensieve manier bij te werken."

Het nieuwe systeem testen

Het team ging vervolgens op pad om het effect te testen dat de bijgewerkte inventaris zou hebben op natuurbrandsimulaties, dus gebruikten ze WRF-Fire, dat door NCAR was ontwikkeld om natuurbrandgedrag te simuleren. 

Ze gebruikten eerst WRF-Fire om de East Troublesome Fire te simuleren met de niet-aangepaste LANDFIRE-brandstofdataset, waardoor het de hoeveelheid gebied dat zou worden verbrand, onderschatte. Toen het model echter met de aangepaste dataset werd uitgevoerd, voorspelde het dit verbrande gebied met een veel grotere mate van nauwkeurigheid. Het deed dit door te voorspellen dat het dode en neergehaalde hout zou helpen het vuur te verspreiden. 

Dit machine learning-model is momenteel ontworpen om bestaande brandstofkaarten bij te werken, maar het zou uiteindelijk kunnen leiden tot het regelmatig produceren en bijwerken van brandstofkaarten vanaf nul. 

Onderzoekers van NCAR hopen ook dat machinaal leren andere grote uitdagingen op dit gebied zal oplossen, zoals het verbeteren van ons vermogen om de eigenschappen te voorspellen van de sintels die door een brand worden gegenereerd. 

NCAR-wetenschapper Timothy Juliano is co-auteur van de studie. 

"We hebben zoveel technologie en zoveel rekenkracht en zoveel middelen binnen handbereik 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 gewoon aan blijven werken.”