Nacionalna garda bo obogatila drone za odkrivanje ognja z umetno inteligenco

Ko so požari večji in nevarnejši, so se obrnile različne vladne in zasebne agencije AI za odkrivanje in potencialno napovedovanje požarov v naravi. Nacionalna garda je v poznem poletju in jeseni zadnja leta izvajala izvidniške lete v Kaliforniji, zdaj pa so brezpilotna letala, ki se uporabljajo za izvajanje teh letov, prejeli nadgradnje z algoritmi AI namenjen samodejnemu ustvarjanju zemljevidov požarov v določeni regiji.

Ustvarjanje zemljevidov požarov je izjemno težaven proces, ki zahteva analizo podatkov za zemljevid nenehno spreminjajočih se požarov, ko se premikajo po razgibanem terenu. Za izdelavo zemljevidov požara se uporabljajo opazovanja iz zraka in zemlje, zemljevidi požara pa se običajno posodobijo le enkrat na dan. Veliki požari se lahko v enem dnevu preselijo tudi do 15 milj, kot pričajo nekateri požari v tej požarni sezoni. Agencije za nadzor požarov potrebujejo hitrejše načine zbiranja požarnih podatkov in posodabljanja požarnih zemljevidov, zračni brezpilotni letalniki v kombinaciji z umetno inteligenco pa lahko rešijo to potrebo.

Sistemi za kartiranje požarov, od katerih se mnogi zanašajo na satelitske podatke, običajno uporabljajo enega od dva različna načina odkrivanja morebitnih požarov. Požari se zaznajo bodisi z zaznavanjem toplote, ki prihaja z zemeljskega površja (zaznavanje nenavadno vročih območij) bodisi z analizo emisij aerosolov (zaznavanje delcev dima, ki se sproščajo v zrak med zgorevanjem biomase). Ko so odkriti potencialni požari, jih je mogoče potrditi z uporabo slikovnih sistemov visoke ločljivosti, kot so brezpilotna letala. Kamere, s katerimi so opremljeni droni Nacionalne garde, lahko prikazujejo požare z ločljivostjo le 90 čevljev nad tlemi.

Nacionalna garda je svoje drone MQ-9 "Reaper" opremila z algoritmi umetne inteligence, namenjenimi odkrivanju požarov in ustvarjanju zemljevidov požarov. Algoritmi umetne inteligence se uporabljajo za zbiranje podatkov o aktivno gorečih požarih in zaznavanje "točkovnih požarov", ki so jih sprožili večji požari. Projekt je vodil Združeni center za umetno inteligenco (JAIC), oddelek, ki ga je leta 2018 ustanovil Pentagon. Sistem za kartiranje požarov JAIC uporablja algoritme strojnega učenja, usposobljene na zračnih posnetkih preteklih požarov z označenimi mejami. Algoritem lahko nato posname nevidene slike samo s podatki o lokaciji in zazna požare v njih ter prikaže zemljevid, ki prikazuje, v katerih regijah gori. Označena je tudi lokacija žarišč požara.

V primerjavi s celodnevnim procesom ustvarjanja zemljevidov požarov, ki ga uporabljajo druge agencije, je sistem JAIC za kartiranje požarov veliko hitrejši. Postopek kartiranja požarov, ki ga poganja umetna inteligenca, lahko ustvari nov zemljevid požarov približno vsake pol ure. Po podatkih kalifornijske letalske nacionalne garde, so zemljevidi, ki jih izdeluje novi sistem, natančni in povratne informacije podjetja CalFire so pozitivne. Če se bodo zemljevidi še naprej izkazali za zanesljive in jih je mogoče uspešno integrirati z operacijami CalFire, bi jih lahko uporabili za pomoč pri odkrivanju požarov v požarni sezoni naslednje leto.

Poleg kartiranja meja trenutnih požarov lahko umetna inteligenca pomaga ekipam za gašenje požarov napovedati gibanje požarov. CalFire sam je nedavno začel delati z orodjem, imenovanim WildFire Analyst Enterprise. Orodje za analizo požarov v naravi je ustvarilo podjetje Technosylva, deluje pa tako, da združuje različne modele širjenja požara. Ti modeli so izboljšani z uporabo algoritmov strojnega učenja, usposobljenih za značilnosti preteklih požarov v naravi (kot so vsebnost vlage v vegetaciji, vremenske razmere in satelitski posnetki). Model nato primerja podatke o trenutnem požaru s podatki o preteklem požaru, da bi lahko predvidel, kako se bo požar razširil. Programska oprema uporabniku omogoča tudi ustvarjanje simulacij na podlagi spreminjanja različnih spremenljivk, kot so vremenske razmere. Orodje je pravilno napovedalo, da se bo požar CZU Lightning Complex pomaknil proti mestu Felton, kar je gasilskim ekipam omogočilo zgodnji prihod in rešilo številne strukture, ki jih drugače morda ne bi rešili.

Medtem oddelki za gašenje požarov v južni Kaliforniji uporabljajo drugačen sistem za sledenje in napovedovanje požarov, imenovan FireMap, ki ga je razvil Wifire Lab. FireMap uporablja zračne in zemeljske podatke iz kamer ter podnebne razmere, razmere vetra, vsebnost vlage v vegetaciji in drugo, da napove, kje se bodo požari razširili.

Ker se ustvarja več platform za odkrivanje in napovedovanje požarov, ki jih poganja umetna inteligenca, so brezpilotna letala bo verjetno vse bolj pomembno. Sateliti so izjemno uporabni, vendar imajo omejitve glede vrste in količine podatkov, ki jih lahko zbirajo. Za zbiranje podatkov se uporabljata dve vrsti satelitov: polarni orbitalni sateliti in geosinhroni sateliti. Polarni orbiterski sateliti lahko posnamejo slike visoke ločljivosti, vendar se slike zajamejo le dvakrat na dan. V nasprotju s tem se slike, zbrane z geosinhronimi slikami, zbirajo pogosteje, običajno vsakih 5 minut. Vendar pa morajo geosinhroni sateliti leteti približno 22,000 milj nad zemeljsko površino, da ostanejo usklajeni z zemeljsko orbito. Posledično te slike vsebujejo veliko manj podrobnosti kot sateliti v polarnih orbitah. Brezpilotna letala lahko pomagajo zapolniti vrzeli v podatkih in pridobijo bolj konstantne, podrobne slike območja, ki vas zanima.