Ny AI-teknikk kan forbedre brannvarslinger

Forskere ved National Center for Atmospheric Research (NCAR) har utviklet en ny teknikk som bruker kunstig intelligens (AI) for å forbedre prognoser for skogbranner. Teknikken hjelper med å oppdatere vegetasjonskart som brukes av brannmodeller for å nøyaktig forutsi brannatferd og spredning.

Metoden ble demonstrert ved å bruke brannen i East Troublesome Fire i Colorado i 2020. Under denne brannen ble det brente området feilaktig karakterisert i oversikter over brennbart materiale som friskt. Men i virkeligheten var området som brant nylig påvirket av furubiller og vindstormer, som hadde etterlatt store deler av dødt og nedfalt tømmer.

Sammenligning av brannsimuleringer

Teamet sammenlignet simuleringer av brannen generert av en brannatferdsmodell som brukte standard drivstoffinventar og en annen som var oppdatert med AI. AI-simuleringene fungerte betydelig bedre når det gjaldt å forutsi området som skulle brenne.

Amy DeCastro er en forsker ved NCAR og hovedforfatter av studien.

“En av våre største utfordringer i brannmodellering har vært å få nøyaktige inndata, inkludert drivstoffdata,” sa DeCastro. “I denne studien viser vi at kombinasjonen av maskinlæring og satellittbilder gir en brukbar løsning.”

Modellsimuleringene ble kjørt ved NCAR-Wyoming Supercomputing Center på Cheyenne-systemet.

Modeller som er ment å simulere brann nøyaktig, krever mye detaljert informasjon om nåværende forhold, som lokalt vær og terreng. De krever også informasjon om plantemateriale, som fungerer som drivstoff for brannen.

LANDFIRE-datasettet

Det beste drivstoffdatasettet produseres av LANDFIRE, som er et føderalt program som produserer geografiske datasett som inneholder informasjon om brennbart materiale for skogbranner. For å lage datasettene over brennbart materiale for skogbranner, trenger eksperter mye satellittbilder, landskapsimulering og undersøkelsesinformasjon. På grunn av den store mengden påkrevd data, tar det lang tid å oppdatere datasettene. Samtidig kan tilgjengelige drivstoff i et område endre seg raskt.

Teamet oppdaterte drivstoffdatasettet ved å bruke Sentinel-satellittene, som tilhører det europeiske romfartsbyråets Copernicus-program. Sentinel-1 gir data om overflatestruktur, som kan brukes til å identifisere vegetasjonstype. Sentinel-2 gir data som kan brukes til å vurdere plantens helsetilstand ut fra hvor grønn den er. Denne satellittdataen ble matet inn i en maskinlæringsmodell som var trent på USAs skogtjenestes insekt- og sykdomsdeteksjonsundersøkelse, som gjennomføres årlig for å anslå trærnes dødelighet fra luften.

Med disse nye tilleggene, kunne maskinlæringsmodellen nøyaktig oppdatere LANDFIRE drivstoffdata.

“LANDFIRE-data er super verdifullt og gir en pålitelig plattform å bygge på,” sa DeCastro. “Kunstig intelligens viste seg å være et effektivt verktøy for å oppdatere dataene på en mindre ressurskrevende måte.”

Testing av det nye systemet

Teamet gikk deretter ut for å teste effekten av den oppdaterte oversikten på brannsimuleringer, så de brukte WRF-Fire, som ble utviklet av NCAR for å simulere brannatferd.

De brukte først WRF-Fire for å simulere East Troublesome Fire med det uendrede LANDFIRE drivstoffdatasettet, som resulterte i at det underestimerte området som skulle brenne. Men når modellen ble kjørt med det justerte datasettet, forutså den dette brente området med en mye høyere grad av nøyaktighet. Den gjorde dette ved å forutsi at det døde og nedfalte tømmeret ville hjelpe med å spre brannen.

Denne maskinlæringsmodellen er for øyeblikket designet for å oppdatere eksisterende drivstoffkart, men den kan til slutt føre til regelmessig produksjon og oppdatering av drivstoffkart fra grunnen av.

Forskere ved NCAR håper også at maskinlæring vil løse andre store utfordringer i dette området, som forbedring av evnen til å forutsi egenskapene til glørne generert av en brann.

NCAR-forsker Timothy Juliano er medforfatter av studien.

“Vi har så mye teknologi og så mye beregningskraft og så mange ressurser lett tilgjengelig for å løse disse problemene og holde folk trygge,” sa Juliano. “Vi er godt posisjonert for å ha en positiv innvirkning; vi må bare fortsette å arbeide med det.”