Gwardia Narodowa uzupełnia drony do wykrywania pożarów o sztuczną inteligencję

Ponieważ pożary stają się coraz większe i bardziej niebezpieczne, różne agencje rządowe i prywatne zwróciły się ku sztucznej inteligencji w celu wykrywania i potencjalnego przewidywania pożarów. Gwardia Narodowa prowadziła loty rozpoznawcze w Kalifornii pod koniec lata i jesienią przez ostatnie lata, ale teraz drony używane do tych lotów otrzymały ulepszenia z algorytmami sztucznej inteligencji, które mają na celu automatyczne generowanie map pożarów w określonym regionie.

Tworzenie map pożarów jest niezwykle trudnym procesem, który wymaga analizy danych w celu mapowania ciągle zmieniających się pożarów, gdy poruszają się po trudnym terenie. Używa się obserwacji z powietrza i ziemi, aby tworzyć mapy pożarów, a mapy pożarów są zwykle aktualizowane tylko raz dziennie. Duże pożary mogą poruszać się o 15 mil w ciągu jednego dnia, jak to było widoczne w niektórych pożarach w tym sezonie pożarowym. Agencje monitorujące pożary potrzebują szybszych sposobów gromadzenia danych o pożarach i aktualizowania map pożarów, a drony powietrzne w połączeniu z sztuczną inteligencją mogą spełnić tę potrzebę.

Systemy mapowania pożarów, z których wiele opiera się na danych satelitarnych, zwykle wykorzystują jedną z dwóch różnych metod wykrywania możliwych pożarów. Pożary są wykrywane albo przez wykrywanie ciepła emitowanego przez powierzchnię Ziemi (wykrywanie niezwykle gorących obszarów) lub przez analizę emisji aerozoli (wykrywanie cząstek dymu uwalnianych do powietrza, gdy spalona jest biomasa). Po wykryciu potencjalnych pożarów mogą one być potwierdzone za pomocą systemów obrazowania o wysokiej rozdzielczości, takich jak drony. Kamery, którymi wyposażone są drony Gwardii Narodowej, są w stanie pokazać pożary w rozdzielczości 90 stóp nad ziemią.

Gwardia Narodowa wyposażyła swoje drony MQ-9 “Reaper” w algorytmy sztucznej inteligencji, które mają na celu wykrywanie pożarów i generowanie map pożarów. Algorytmy sztucznej inteligencji są używane do gromadzenia danych o aktywnie palących się pożarach i wykrywania “pożarów punktowych”, które zostały rozpoczęte przez większe pożary. Projekt został zainicjowany przez Joint Artificial Intelligence Center (JAIC), wydział utworzony przez Pentagon w 2018 roku. System mapowania pożarów JAIC wykorzystuje algorytmy uczenia maszynowego, które zostały przeszkolone na podstawie lotniczych zdjęć poprzednich pożarów z adnotowanymi granicami. Algorytm może następnie przyjmować nieznane obrazy z tylko danymi lokalizacji i wykrywać pożary w nich, generując mapę, która pokazuje, które regiony są spalone. Lokalizacja pożarów punktowych jest również oznaczona.

W porównaniu z procesem generowania map pożarów, który trwa cały dzień i jest stosowany przez inne agencje, system mapowania pożarów JAIC jest znacznie szybszy. Proces mapowania pożarów z użyciem sztucznej inteligencji może generować nową mapę pożarów mniej więcej co pół godziny. Według Kalifornijskiej Gwardii Narodowej powietrznej mapy wytworzone przez nowy system są dokładne, a opinie CalFire są pozytywne. Jeśli mapy nadal okazują się niezawodne i mogą być pomyślnie zintegrowane z operacjami CalFire, mogą one zostać rozmieszczone, aby pomóc w wykrywaniu pożarów podczas przyszłego sezonu pożarowego.

Ponadto mapowanie granic bieżących pożarów, sztuczna inteligencja może pomóc zespołom gaśniczym w przewidywaniu ruchu pożarów. CalFire sama niedawno rozpoczęła pracę z narzędziem o nazwie WildFire Analyst Enterprise. Narzędzie do analizy pożarów zostało stworzone przez Technosylva i działa przez łączenie różnych modeli rozprzestrzeniania się pożarów. Modele te są ulepszane za pomocą algorytmów uczenia maszynowego, przeszkolonych na podstawie cech poprzednich pożarów (takich jak zawartość wilgoci w roślinności, warunki pogodowe i obrazy satelitarne). Model porównuje dane o bieżącym pożarze z danymi o poprzednich pożarach, aby przewidzieć, jak ten pożar może się rozprzestrzenić. Oprogramowanie umożliwia również użytkownikom tworzenie symulacji na podstawie zmian różnych zmiennych, takich jak warunki pogodowe. Narzędzie poprawnie przewidziało, że pożar CZU Lightning Complex ruszy w kierunku miasta Felton, umożliwiając załogom gaśniczym przybycie wcześnie i uratowanie wielu budynków, które mogłyby zostać zniszczone w przeciwnym razie.

Tymczasem departamenty straży pożarnej w południowej Kalifornii korzystają z innego systemu śledzenia i przewidywania pożarów o nazwie FireMap, opracowanego przez Wifire Lab. FireMap wykorzystuje dane z kamer, zarówno lotniczych, jak i naziemnych, a także warunki klimatyczne, warunki wiatru, zawartość wilgoci w roślinności i wiele innych, aby przewidzieć, gdzie pożary się rozprzestrzenią.

W miarę tworzenia coraz większej liczby platform wykrywania i przewidywania pożarów z użyciem sztucznej inteligencji, drony prawdopodobnie staną się coraz bardziej ważne. Satelity są niezwykle przydatne, ale mają ograniczenia dotyczące rodzaju i ilości danych, które mogą gromadzić. Istnieją dwa rodzaje satelitów używanych do gromadzenia danych: satelity orbity polarnej i satelity geosynchroniczne. Satelity orbity polarnej są w stanie wykonywać zdjęcia o wysokiej rozdzielczości, ale zdjęcia są robione tylko dwa razy dziennie. W przeciwieństwie do tego, obrazy gromadzone przez satelity geosynchroniczne są gromadzone częściej, zwykle co 5 minut lub więcej. Jednak satelity geosynchroniczne muszą lecieć około 22 000 mil nad powierzchnią Ziemi, aby utrzymać synchronizację z orbitem Ziemi. W wyniku tego obrazy zawierają znacznie mniej szczegółów niż satelity orbity polarnej. Drony mogą pomóc wypełnić luki w danych, uzyskując bardziej stałe i szczegółowe obrazy obszaru zainteresowania.