Nationalgardet kompletterar brandfläckande drönare med AI

Som bränder blir större och farligare har olika myndigheter och privata organisationer vänt sig till AI för att upptäcka och förutsäga skogsbränder. Nationalgardet har genomfört spaningsflygningar i Kalifornien under sen sommar och höst de senaste åren, men nu har drönarna som används för dessa flygningar fått uppgraderingar med AI-algoritmer som är avsedda att automatiskt generera kartor över bränder inom ett visst område.

Att skapa brandkartor är en extremt svår process som kräver dataanalys för att kartlägga ständigt föränderliga bränder som rör sig över bergigt terräng. Både luft- och markbaserade observationer används för att skapa brandkartor, och brandkartor uppdateras vanligtvis bara en gång om dagen eller så. Stora bränder kan röra sig så långt som 15 mil under en enda dag, som vissa av bränderna denna brandssäsong har visat. Brandövervakningsmyndigheterna behöver snabbare sätt att samla in branddata och uppdatera brandkartor, och flygande drönare i kombination med AI kan tillgodose detta behov.

Brandkarteringssystem, som ofta förlitar sig på satellitdata, använder vanligtvis en av två olika metoder för att upptäcka möjliga bränder. Bränderna upptäcks antingen genom att känna av värme från jordens yta (upptäcka ovanligt varma områden) eller genom att analysera aerosolutsläpp (upptäcka rökpartiklarna som släpps ut i luften när biomassa brinner). Efter att potentiella bränder har upptäckts kan de bekräftas med hjälp av högupplösta bildsystem som drönare. Kamerorna som Nationalgardets drönare är utrustade med kan visa bränder i en upplösning på bara 90 fot ovanför marken.

Nationalgardet har utrustat sina MQ-9 “Reaper”-drönare med AI-algoritmer som är avsedda att upptäcka bränder och generera brandkartor. AI-algoritmerna används för att samla in data om aktiva bränder och upptäcka “spot-bränder” som har startats av större bränder. Projektet drevs av Joint Artificial Intelligence Center (JAIC), en avdelning som skapades av Pentagon 2018. JAIC:s brandkarteringssystem använder maskinlärningsalgoritmer som tränats på luftbilder av tidigare bränder med annoterade gränser. Algoritmen kan sedan ta emot osett bilder med endast platsdata och upptäcka bränder i dem, och producera en karta som visar vilka områden som brinner. Platsen för spot-bränder markeras också.

I jämförelse med den daglånga processen för att generera brandkartor som används av andra myndigheter är JAIC:s brandkarteringssystem mycket snabbare. AI-baserad brandkarteringsprocess kan generera en ny brandkarta ungefär var tjugofemte minut. Enligt California Air National Guard är kartorna som produceras av det nya systemet precisa och feedback från CalFire har varit positiv. Om kartorna fortsätter att visa sig vara tillförlitliga och kan integreras framgångsrikt med CalFires verksamhet, kan de distribueras för att hjälpa till att upptäcka bränder under nästa års brandssäsong.

Förutom att kartlägga gränserna för nuvarande bränder kan AI hjälpa brandbekämpningsgrupper att förutsäga rörelsen av bränder. CalFire har nyligen börjat arbeta med ett verktyg som kallas WildFire Analyst Enterprise. Verktyget för brandanalys skapades av Technosylva och fungerar genom att kombinera olika brandmodeller. Dessa modeller förbättras genom användning av maskinlärningsalgoritmer som tränats på egenskaperna hos tidigare bränder (såsom fuktinnehållet i vegetationen, väderförhållanden och satellitbilder). Modellen jämför sedan data om en aktuell brand med tidigare branddata för att göra förutsägelser om hur branden kan spridas. Programvaran tillåter också användaren att skapa simuleringar baserade på hur olika variabler som väderförhållanden förändras. Verktyget förutsåg korrekt att CZU Lightning Complex Fire skulle röra sig mot staden Felton, vilket möjliggjorde för brandbekämpningsgrupper att anlända i tid och rädda många strukturer som annars kanske inte skulle ha räddats.

Samtidigt som brandbekämpningsavdelningar i södra Kalifornien använder ett annat system för brandspårning och förutsägelse som kallas FireMap, som utvecklats av Wifire Lab. FireMap använder både luft- och markbaserad data från kameror, samt klimatförhållanden, vindförhållanden, fuktinnehållet i vegetationen och mer, för att förutsäga var bränder kommer att spridas.

Såsom fler AI-drivna brandupptäckts- och förutsägelsesystem skapas, kommer drönare sannolikt att bli allt viktigare. Satelliter är extremt användbara, men de har begränsningar när det gäller den typ och mängd data som de kan samla in. Två typer av satelliter används för att samla in data: polära satelliter och geosynkrona satelliter. Polära satelliter kan ta högupplösta bilder, men bilderna tas bara två gånger om dagen. I kontrast tas bilder som samlas in av geosynkrona satelliter in oftare, vanligtvis var femte minut eller så. Geosynkrona satelliter måste dock flyga ungefär 22 000 mil ovanför jordens yta för att hålla jämna steg med jordens omloppsbana. Som ett resultat innehåller dessa bilder mycket mindre detaljer än de polära satelliterna. Drönare kan hjälpa till att fylla i luckorna i datan, och ge mer konstanta och detaljerade bilder av ett område av intresse.