Nasjonalgarden skal supplere brannspottingsdroner med AI

Ettersom brannene blir større og farligere, har ulike myndigheter og private organisasjoner vendt seg til AI for å oppdage og potensielt forutsi skogbranner. Nasjonalgarden har utført rekognosceringsflyvninger i California under sen sommer og høst i flere år, men nå har dronene som brukes til disse flyvningene fått oppgraderinger med AI-algoritmer som er ment å generere kart over branner i et bestemt område automatisk.

Å lage brannkart er en ekstremt vanskelig prosess som krever dataanalyse for å kartlegge branner som endrer seg konstant mens de beveger seg over ugjestmildt terreng. Både luft- og bakkeobservasjoner brukes til å lage brannkart, og brannkart oppdateres vanligvis bare en gang om dagen eller så. Store branner kan bevege seg så langt som 15 mil på en enkelt dag, som vi har sett med noen av brannene denne brannsesongen. Brannovervåkingsbyråer trenger raskere måter å samle inn brann-data og oppdatere brannkart, og droner kombinert med AI kan møte dette behovet.

Brannkartleggingssystemer, mange av dem som er avhengige av satellittdata, bruker vanligvis en av to forskjellige metoder for å oppdage mulige branner. Brannene oppdages enten ved å registrere varme fra jordoverflaten (oppdage uvanlig varme områder) eller ved å analysere aerosol-utslipp (oppdage røykpartikler som slippes ut i luften når biomasse brenner). Etter at potensielle branner er oppdaget, kan de bekreftes ved hjelp av høyoppløselige bildesystemer som droner. Kameraene som Nasjonalgardens droner er utstyrt med, kan vise branner i en oppløsning på bare 90 fot over bakken.

Nasjonalgarden har utstyrt sine MQ-9 “Reaper”-droner med AI-algoritmer som er ment å oppdage branner og generere brannkart. AI-algoritmene brukes til å samle inn data om aktivt brennende branner og oppdage “spot-branner” som er startet av større branner. Prosjektet ble drevet av Joint Artificial Intelligence Center (JAIC), en avdeling som ble opprettet av Pentagon i 2018. JAICs brannkartleggingssystem bruker maskinlæringsalgoritmer som er trent på luftfoto av tidligere branner med annoterte grenser. Algoritmen kan deretter ta inn ubeskuede bilder med bare lokasjonsdata og oppdage branner i dem, og utgangen er et kart som viser hvilke områder som brenner. Lokasjonen av spot-branner er også merket.

I sammenligning med den daglange brannkartgenereringsprosessen som brukes av andre byråer, er JAICs brannkartleggingssystem mye raskere. AI-drevne brannkartleggingsprosessen kan generere et nytt brannkart omtrent hver halvtime. Ifølge California Air National Guard er kartene som produseres av det nye systemet nøyaktige, og tilbakemeldinger fra CalFire har vært positive. Hvis kartene fortsetter å vise seg å være pålitelige og kan integreres suksessfullt med CalFires operasjoner, kan de bli deployert for å hjelpe med å oppdage branner under neste års brannsesong.

Utenom å kartlegge grensene for nåværende branner, kan AI hjelpe brannslukningslag med å forutsi bevegelsen av branner. CalFire selv har nylig begynt å arbeide med et verktøy kalt WildFire Analyst Enterprise. Verktøyet for brannanalyse ble skapt av Technosylva, og det fungerer ved å kombinere ulike brannspredningsmodeller. Disse modellene er forbedret ved hjelp av maskinlæringsalgoritmer, som er trent på egenskapene til tidligere branner (slik som fuktinnhold i vegetasjon, værforhold og satellittbilder). Modellen sammenligner deretter data om en nåværende brann med tidligere brann-data for å gjøre forutsigelser om hvordan brannen kan spre seg. Programvaren lar også brukeren opprette simulasjoner basert på hvordan ulike variabler som værforhold endrer seg. Verktøyet forutså korrekt at CZU Lightning Complex Fire ville bevege seg mot byen Felton, og dette gjorde at brannslukningsmannskapene kunne ankomme tidlig og redde mange bygninger som ellers kanskje ikke ville blitt reddet.

Mens brannvesenet i sørlige California bruker et annet brannsporing- og forutsigelsessystem kalt FireMap, som er utviklet av Wifire Lab. FireMap bruker både luft- og bakke-data fra kameraer, samt klimaforhold, vindforhold, fuktinnhold i vegetasjon og mer, for å forutsi hvor branner vil spre seg.

Ettersom flere AI-drevne brannoppdaging- og forutsigelsesplattformer blir utviklet, vil droner sannsynligvis bli stadig viktigere. Satellitter er ekstremt nyttige, men de har begrensninger når det gjelder typen og mengden data de kan samle inn. To typer satellitter brukes til å samle inn data: polære banesatellitter og geosynkrone satellitter. Polære banesatellitter kan ta høyoppløselige bilder, men bildene tas bare to ganger om dagen. I motsetning hentes bilder fra geosynkron satellitt oftere, vanligvis hver 5. minutt eller så. Geosynkron satellitt må imidlertid fly omtrent 22 000 mil over jordoverflaten for å holde tritt med jordens bane. Som resultat inneholder disse bildene mye mindre detaljer enn polære banesatellitter. Droner kan hjelpe med å fylle hullene i dataene og gi mer konstante og detaljerte bilder av et område av interesse.