Nowa technika sztucznej inteligencji może poprawić prognozy pożarów

Naukowcy z National Center for Atmospheric Research (NCAR) opracowali nową technikę, która wykorzystuje sztuczną inteligencję (AI) do poprawy prognoz pożarów. Technika ta pomaga wydajnie aktualizować mapy roślinności, które są wykorzystywane przez komputerowe modele pożarów do dokładnego przewidywania zachowania się i rozprzestrzeniania się ognia.

Metoda ta została zademonstrowana przy użyciu pożaru East Troublesome Fire w Kolorado w 2020 roku. Podczas tego pożaru spalona ziemia była nieprawidłowo sklasyfikowana w inwentarzach paliwa jako zdrowa. W rzeczywistości obszar, który spłonął, został niedawno dotknięty przez chrząszcze sosnowe i burze, co pozostawiło duże ilości martwego i powalonego drewna.

Porównanie symulacji pożarów

Zespół porównał symulacje pożaru wygenerowane przez model zachowania się pożaru, który wykorzystywał standardowy inwentarz paliwa i inny, który został zaktualizowany za pomocą AI. Symulacje wykorzystujące AI znacznie lepiej przewidywały obszaru spalonego przez pożar.

Amy DeCastro jest badaczką w NCAR i główną autorką badania.

“Jednym z naszych głównych wyzwań w modelowaniu pożarów było uzyskanie dokładnych danych wejściowych, w tym danych o paliwie”, powiedziała DeCastro. “W tym badaniu pokazujemy, że połączone wykorzystanie uczenia maszynowego i obrazowania satelitarnego stanowi wiarygodne rozwiązanie”.

Symulacje modelowe zostały przeprowadzone w NCAR-Wyoming Supercomputing Center na systemie Cheyenne.

Modele, których celem jest dokładne symulowanie pożarów, wymagają dużej ilości szczegółowych informacji o bieżących warunkach, takich jak lokalna pogoda i teren. Wymagają również informacji o materii roślinnej, która służy jako paliwo dla ognia.

Zestaw danych LANDFIRE

Najlepszy zestaw danych o paliwie jest wytwarzany przez LANDFIRE, który jest programem rządowym produkującym zestawy danych przestrzennych zawierające informacje o paliwach pożarowych. Aby utworzyć zestaw danych o paliwach pożarowych, eksperci potrzebują dużej ilości obrazowania satelitarnego, symulacji krajobrazu i informacji z badań terenowych. Ze względu na dużą ilość wymaganych danych, aktualizacja zestawów danych zajmuje dużo czasu. Jednocześnie dostępne paliwa w danym obszarze mogą zmieniać się szybko.

Zespół zaktualizował zestaw danych o paliwie, wykorzystując satelity Sentinel, które należą do programu Copernicus Europejskiej Agencji Kosmicznej. Sentinel-1 dostarcza danych o teksturze powierzchni, które mogą być wykorzystane do identyfikacji typu roślinności. Sentinel-2 dostarcza danych, które mogą być wykorzystane do wnioskowania o stanie zdrowia rośliny na podstawie jej zieloności. Te dane satelitarne zostały wprowadzone do modelu uczenia maszynowego, który został wyszkolony na podstawie corocznego badania Insect and Disease Detection Survey przeprowadzanego przez United States Forest Service w celu oszacowania umieralności drzew z powietrza.

Dzięki tym nowym danym model uczenia maszynowego był w stanie dokładnie zaktualizować dane o paliwie LANDFIRE.

“Dane LANDFIRE są bardzo cenne i stanowią wiarygodną platformę do dalszych badań”, powiedziała DeCastro. “Sztuczna inteligencja okazała się skutecznym narzędziem do aktualizacji danych w sposób mniej wymagający zasobów”.

Testowanie nowego systemu

Zespół następnie przystąpił do testowania wpływu zaktualizowanego inwentarza na symulacje pożarów, dlatego wykorzystał WRF-Fire, który został opracowany przez NCAR do symulowania zachowania się pożarów.

Po pierwsze, wykorzystali WRF-Fire do symulacji pożaru East Troublesome Fire z niezaktualizowanym zestawem danych o paliwie LANDFIRE, co skutkowało niedoszacowaniem obszaru, który spłonął. Jednakże, gdy model został uruchomiony z zaktualizowanym zestawem danych, przewidział on spalony obszar ze znacznie większą dokładnością. Zrobił to, przewidując, że martwe i powalone drewno pomoże w rozprzestrzenianiu się ognia.

Ten model uczenia maszynowego jest obecnie zaprojektowany do aktualizacji istniejących map paliwa, ale może ostatecznie doprowadzić do regularnej produkcji i aktualizacji map paliwa od podstaw.

Naukowcy z NCAR mają nadzieję, że uczenie maszynowe rozwiąże inne duże wyzwania w tej dziedzinie, takie jak poprawa naszej zdolności do przewidywania właściwości rozżarzonych cząstek powstających podczas pożaru.

Naukowiec z NCAR, Timothy Juliano, jest współautorem badania.

“Mamy tak wiele technologii i tak wiele mocy obliczeniowej i tak wiele zasobów, aby rozwiązać te problemy i zapewnić ludziom bezpieczeństwo”, powiedział Juliano. “Jesteśmy dobrze przygotowani, aby mieć pozytywny wpływ; po prostu musimy nadal pracować nad tym”.