Garda Națională își va completa dronele de detectare a incendiilor cu inteligență artificială

Pe măsură ce incendiile devin mai mari și mai periculoase, diverse agenții guvernamentale și private s-au orientat spre inteligența artificială pentru a detecta și, posibil, a prevedea incendiile de pădure. Garda Națională a efectuat zboruri de recunoaștere în California, în timpul verii târzii și al toamnei, în ultimii ani, dar acum dronele utilizate pentru aceste zboruri au primit upgrade-uri cu algoritmi de inteligență artificială meniți să genereze automat hărți ale incendiilor dintr-o anumită regiune.

Createrea de hărți ale incendiilor este un proces extrem de dificil care necesită analiza datelor pentru a cartografia incendiile în schimbare constantă, pe măsură ce se deplasează pe teren accidentat. Atât observațiile aeriene, cât și cele de la sol sunt utilizate pentru a crea hărți ale incendiilor, iar hărțile ale incendiilor sunt de obicei actualizate doar o dată la zi sau două. Incendiile mari pot avansa până la 15 mile într-o singură zi, așa cum s-a văzut în cazul unor incendii din această sezon. Agențiile de monitorizare a incendiilor au nevoie de modalități mai rapide de colectare a datelor despre incendii și de actualizare a hărților incendiilor, iar dronele aeriene combinate cu inteligența artificială pot răspunde acestei nevoi.

Sistemele de cartografiere a incendiilor, multe dintre ele bazate pe date de satelit, utilizează de obicei una dintre cele două metode de detectare a incendiilor posibile. Incendiile sunt detectate fie prin detectarea căldurii care emană de la suprafața Pământului (detectarea zonelor anormal de calde), fie prin analizarea emisiilor de aerosoli (detectarea particulelor de fum eliberate în aer pe măsură ce biomasa arde). După ce incendiile posibile sunt detectate, ele pot fi confirmate prin utilizarea sistemelor de imagistică de înaltă rezoluție, cum ar fi dronele. Camerele cu care dronele Gărzii Naționale sunt echipate pot arăta incendiile la o rezoluție de doar 90 de picioare deasupra solului.

Garda Națională a echipat dronele sale MQ-9 “Reaper” cu algoritmi de inteligență artificială meniți să detecteze incendiile și să genereze hărți ale incendiilor. Algoritmii de inteligență artificială sunt utilizați pentru a colecta date despre incendiile care ard activ și pentru a detecta “incendiile punctuale” care au fost inițiate de incendiile mai mari. Proiectul a fost condus de Centrul comun de inteligență artificială (JAIC), o divizie creată de Pentagon în 2018. Sistemul de cartografiere a incendiilor JAIC utilizează algoritmi de învățare automată instruiți pe imagini aeriene ale incendiilor trecute cu limite annotate. Algoritmul poate apoi să primească imagini nevizionate cu doar date de locație și să detecteze incendiile din ele, generând o hartă care arată care regiuni ard. Locația incendiilor punctuale este marcată.

Comparativ cu procesul de generare a hărților incendiilor, care durează o zi, utilizat de alte agenții, sistemul de cartografiere a incendiilor JAIC este mult mai rapid. Procesul de cartografiere a incendiilor bazat pe inteligență artificială poate genera o nouă hartă a incendiilor la aproximativ jumătate de oră. Conform Gărzii Aeriene Naționale din California, hărțile produse de noul sistem sunt precise, iar feedback-ul de la CalFire a fost pozitiv. Dacă hărțile continuă să fie fiabile și pot fi integrate cu succes cu operațiunile CalFire, ele pot fi utilizate pentru a ajuta la detectarea incendiilor în timpul sezonului de incendii de anul viitor.

Pe lângă cartografierea limitelor incendiilor actuale, inteligența artificială poate ajuta echipele de luptă împotriva incendiilor să prevadă mișcarea incendiilor. CalFire însuși a început recent să lucreze cu un instrument numit WildFire Analyst Enterprise. Instrumentul de analiză a incendiilor de pădure a fost creat de Technosylva și funcționează prin combinarea diferitelor modele de răspândire a incendiilor. Aceste modele sunt îmbunătățite prin utilizarea algoritmilor de învățare automată, instruiți pe caracteristicile incendiilor de pădure trecute (cum ar fi conținutul de umiditate al vegetației, condițiile meteo și imagini de satelit). Modelul compară apoi datele despre un incendiu curent cu datele despre incendiile trecute, pentru a face previziuni despre modul în care incendiul respectiv ar putea să se răspândească. Software-ul permite utilizatorului să creeze simulări pe baza modului în care diferiți factori, cum ar fi condițiile meteo, se schimbă. Instrumentul a prevăzut corect că incendiul Complexului Lightning CZU se va deplasa spre orașul Felton, permițând echipelor de luptă împotriva incendiilor să sosească devreme și să salveze multe structuri care nu ar fi putut fi salvate altfel.

Între timp, departamentele de luptă împotriva incendiilor din sudul Californiei utilizează un alt sistem de urmărire și previziune a incendiilor, numit FireMap, dezvoltat de Laboratorul Wifire. FireMap utilizează atât date aeriene, cât și date de la sol, de la camere, precum și condiții climatice, condiții de vânt, conținut de umiditate în vegetație și multe altele, pentru a prevedea unde vor să se răspândească incendiile.

Pe măsură ce se creează mai multe platforme de detectare și previziune a incendiilor bazate pe inteligență artificială, dronele vor deveni probabil din ce în ce mai importante. Sateliții sunt extrem de utili, dar au limitări în ceea ce privește tipul și volumul de date pe care le pot colecta. Există două tipuri de sateliți utilizați pentru colectarea datelor: sateliți orbitatori polari și sateliți geosincroni. Sateliții orbitatori polari pot captura imagini de înaltă rezoluție, dar imaginile sunt capturate doar de două ori pe zi. În schimb, imaginile capturate de sateliții geosincroni sunt capturate mai frecvent, de obicei la fiecare 5 minute sau așa. Cu toate acestea, sateliții geosincroni trebuie să zboare la aproximativ 22.000 de mile deasupra suprafeței Pământului, pentru a rămâne în sincron cu orbita Pământului. Ca urmare, imaginile conțin mult mai puține detalii decât sateliții orbitatori polari. Dronele pot ajuta la completarea lacunelor din date, obținând imagini mai constante și mai detaliate ale unei zone de interes.