Nova Técnica de IA Pode Melhorar Previsões de Incêndios Florestais

Cientistas do National Center for Atmospheric Research (NCAR) desenvolveram uma nova técnica que usa inteligência artificial (IA) para melhorar as previsões de incêndios florestais. A técnica ajuda a atualizar eficientemente os mapas de vegetação usados pelos modelos de computador de incêndios florestais para prever com precisão o comportamento e a propagação do fogo.

O método foi demonstrado usando o incêndio East Troublesome Fire de 2020 no Colorado. Durante esse incêndio, a terra queimada foi mal caracterizada nos inventários de combustível como sendo saudável. Mas, na realidade, a área que queimou foi recentemente afetada por besouros de pinheiro e tempestades, o que deixou grandes porções de madeira morta e caída.

Comparando Simulações de Incêndios Florestais

A equipe comparou simulações do incêndio geradas por um modelo de comportamento de incêndio florestal que usou o inventário de combustível padrão e outro que foi atualizado com IA. As simulações de IA tiveram desempenho significativamente melhor ao prever a área queimada pelo incêndio.

Amy DeCastro é uma cientista do NCAR e autora principal do estudo.

“Um de nossos principais desafios na modelagem de incêndios florestais tem sido obter dados de entrada precisos, incluindo dados de combustível”, disse DeCastro. “Neste estudo, mostramos que o uso combinado de aprendizado de máquina e imagens de satélite fornece uma solução viável.”

As simulações do modelo foram executadas no NCAR-Wyoming Supercomputing Center no sistema Cheyenne.

Modelos destinados a simular incêndios florestais com precisão requerem muitas informações detalhadas sobre as condições atuais, como o tempo meteorológico local e o terreno. Eles também requerem informações sobre a matéria vegetal, que atua como combustível para o fogo.

O Conjunto de Dados LANDFIRE

O melhor conjunto de dados de combustível é produzido pelo LANDFIRE, que é um programa federal que produz conjuntos de dados geoespaciais que contêm informações sobre combustíveis de incêndios florestais. Para criar os conjuntos de dados de combustível de incêndios florestais, os especialistas precisam de muitas imagens de satélite, simulações de paisagem e informações de levantamento. Devido à grande quantidade de dados necessários, leva muito tempo para atualizar os conjuntos de dados. Ao mesmo tempo, os combustíveis disponíveis em uma área podem mudar rapidamente.

A equipe atualizou o conjunto de dados de combustível usando os satélites Sentinel, que pertencem ao programa Copernicus da Agência Espacial Europeia. O Sentinel-1 fornece dados sobre a textura da superfície, que pode ser usada para identificar o tipo de vegetação. O Sentinel-2 fornece dados que podem ser usados para inferir a saúde da planta a partir do seu grau de verde. Esses dados de satélite foram inseridos em um modelo de aprendizado de máquina que foi treinado na Pesquisa de Detecção de Insetos e Doenças do Serviço Florestal dos EUA, que é realizada anualmente para estimar a mortalidade de árvores a partir do ar.

Com essas novas adições, o modelo de aprendizado de máquina foi capaz de atualizar com precisão os dados de combustível do LANDFIRE.

“Os dados do LANDFIRE são super valiosos e fornecem uma base confiável para desenvolver o trabalho”, disse DeCastro. “A inteligência artificial provou ser uma ferramenta eficaz para atualizar os dados de forma menos intensiva em recursos.”

Testando o Novo Sistema

A equipe então se propôs a testar o efeito que o inventário atualizado teria nas simulações de incêndios florestais, então usaram o WRF-Fire, que foi desenvolvido pelo NCAR para simular o comportamento de incêndios florestais.

Eles primeiro usaram o WRF-Fire para simular o incêndio East Troublesome Fire com o conjunto de dados de combustível do LANDFIRE não ajustado, o que resultou em subestimar a área queimada pelo incêndio. No entanto, quando o modelo foi executado com o conjunto de dados ajustado, ele previu a área queimada com um grau muito maior de precisão. Ele fez isso prevendo que a madeira morta e caída ajudaria a propagar o fogo.

Esse modelo de aprendizado de máquina está atualmente projetado para atualizar os mapas de combustível existentes, mas eventualmente pode levar à produção regular e atualização de mapas de combustível do zero.

Pesquisadores do NCAR também esperam que o aprendizado de máquina resolva outros grandes desafios nessa área, como melhorar nossa capacidade de prever as propriedades das brasas geradas por um incêndio.

O cientista do NCAR Timothy Juliano é coautor do estudo.

“Temos muita tecnologia e muito capacidade computacional e muitos recursos ao nosso alcance para resolver esses problemas e manter as pessoas seguras”, disse Juliano. “Estamos bem posicionados para causar um impacto positivo; apenas precisamos continuar trabalhando nisso.”