Новая техника ИИ может улучшить прогнозы лесных пожаров

Ученые в Национальном центре атмосферных исследований (NCAR) разработали новую технику, которая использует искусственный интеллект (ИИ) для улучшения прогнозов лесных пожаров. Эта техника помогает эффективно обновлять карты растительности, которые используются моделями лесных пожаров для точного прогнозирования поведения и распространения огня.

Метод был продемонстрирован на примере лесного пожара East Troublesome Fire в Колорадо в 2020 году. Во время этого пожара сгоревшая территория была неправильно классифицирована в описях горючих материалов как здоровая. Однако на самом деле территория, которая сгорела, недавно пострадала от сосновых жуков-короедов и ветровых бурь, что привело к образованию большого количества мертвой и упавшей древесины.

Сравнение симуляций лесных пожаров

Команда сравнила симуляции пожара, сгенерированные моделью поведения лесных пожаров, с использованием стандартной описи горючих материалов и описи, обновленной с помощью ИИ. Симуляции ИИ показали значительно лучшие результаты при прогнозировании площади, сгоревшей в результате пожара.

Эми ДеКастро — исследовательница NCAR и ведущая авторка исследования.

“Одной из наших основных проблем в моделировании лесных пожаров было получение точных входных данных, включая данные о топливе”, – сказала ДеКастро. “В этом исследовании мы показываем, что совместное использование машинного обучения и спутниковых снимков обеспечивает жизнеспособное решение.”

Симуляции модели были запущены в центре суперкомпьютерных вычислений NCAR-Wyoming на системе Cheyenne.

Модели, предназначенные для точного моделирования лесных пожаров, требуют большого количества подробной информации о текущих условиях, таких как местная погода и рельеф. Они также требуют информации о растительности, которая служит топливом для огня.

Набор данных LANDFIRE

Лучший набор данных о топливе производится программой LANDFIRE, которая является федеральной программой, производящей геопространственные наборы данных, содержащие информацию о топливе для лесных пожаров. Для создания наборов данных о топливе для лесных пожаров экспертам необходимо большое количество спутниковых снимков, симуляций ландшафта и данных обследований. Из-за большого количества необходимых данных обновление наборов данных занимает много времени. В то же время доступное топливо в области может быстро меняться.

Команда обновила набор данных о топливе, используя спутники Sentinel, которые принадлежат программе Copernicus Европейского космического агентства. Sentinel-1 предоставляет данные о текстуре поверхности, которые можно использовать для определения типа растительности. Sentinel-2 обеспечивает данные, которые можно использовать для определения здоровья растений по их зеленому цвету. Эти спутниковые данные были переданы в модель машинного обучения, которая была обучена на основе обследования по выявлению насекомых и заболеваний, проводимого Лесной службой США, который проводится ежегодно для оценки смертности деревьев с воздуха.

С этими новыми дополнениями модель машинного обучения смогла точно обновить данные о топливе LANDFIRE.

“Данные LANDFIRE очень ценны и обеспечивают надежную платформу для построения”, – сказала ДеКастро. “Искусственный интеллект оказался эффективным инструментом для обновления данных менее ресурсоемким способом.”

Тестирование новой системы

Команда затем приступила к тестированию влияния обновленной описи на симуляции лесных пожаров, поэтому они использовали WRF-Fire, который был разработан NCAR для симуляции поведения лесных пожаров.

Сначала они использовали WRF-Fire для симуляции пожара East Troublesome Fire с неоткорректированным набором данных о топливе LANDFIRE, что привело к занижению площади, которая выгорит. Однако, когда модель была запущена с обновленным набором данных, она значительно точнее предсказала площадь, которая выгорит. Она сделала это, предсказав, что мертвая и упавшая древесина поможет распространить огонь.

Эта модель машинного обучения в настоящее время предназначена для обновления существующих карт топлива, но она может в конечном итоге привести к регулярному производству и обновлению карт топлива с нуля.

Исследователи в NCAR также надеются, что машинное обучение поможет решить другие крупные проблемы в этой области, такие как улучшение нашей способности прогнозировать свойства тлеющих частиц, образующихся в результате пожара.

Ученый NCAR Тимоти Джулиано является соавтором исследования.

“У нас есть так много технологий и так много вычислительной мощности и так много ресурсов, чтобы решить эти проблемы и сохранить людей в безопасности”, – сказал Джулиано. “У нас хорошие возможности, чтобы добиться положительного эффекта; нам просто нужно продолжать работать над этим.”