Ny AI-teknik kan förbättra prognoser för skogsbränder

Forskare vid National Center for Atmospheric Research (NCAR) har utvecklat en ny teknik som använder artificiell intelligens (AI) för att förbättra prognoser för skogsbränder. Tekniken hjälper till att effektivt uppdatera vegetationskartor som används av datormodeller för skogsbränder för att förutsäga eldens beteende och spridning.

Metoden demonstrerades med hjälp av skogsbranden East Troublesome Fire i Colorado 2020. Under denna brand hade den brända marken felaktigt klassificerats som frisk i bränsleinventeringen. I verkligheten hade området som brann nyligen påverkats av barkborrar som angriper tallar och stormar, vilket resulterade i stora mängder död och nedfallen ved.

Jämförelse av skogsbrandssimuleringar

Forskargruppen jämförde simuleringar av branden som genererades av en skogsbrandsmodell som använde standardbränsleinventeringen och en som uppdaterats med AI. AI-simuleringarna presterade betydligt bättre när det gällde att förutsäga den yta som brann.

Amy DeCastro är en forskare vid NCAR och huvudförfattare till studien.

“En av våra största utmaningar inom skogsbrandsmodellering har varit att få tillförlitlig indata, inklusive bränsledata”, sa DeCastro. “I denna studie visar vi att den kombinerade användningen av maskinlärning och satellitbilder erbjuder en genomförbar lösning.”

Modellsimuleringarna kördes vid NCAR-Wyoming Supercomputing Center på systemet Cheyenne.

Modeller som är avsedda att simulera skogsbränder på ett tillförlitligt sätt kräver en stor mängd detaljerad information om aktuella förhållanden, såsom lokalt väder och terräng. De kräver också information om växtmaterialet, som fungerar som bränsle för branden.

LANDFIRE-datamängden

Den bästa bränsledatamängden produceras av LANDFIRE, som är ett federalt program som producerar geografiska datamängder som innehåller information om skogsbrandsbränslen. För att skapa datamängderna över skogsbrandsbränsle behöver experter en stor mängd satellitbilder, landskapsmodellering och undersökningsdata. På grund av den stora mängden data som krävs tar det lång tid att uppdatera datamängderna. Samtidigt kan tillgängliga bränslen i ett område förändras snabbt.

Forskargruppen uppdaterade bränsledatamängden genom att använda Sentinel-satelliterna, som tillhör den europeiska rymdorganisationens Copernicus-program. Sentinel-1 tillhandahåller data om ytextur, som kan användas för att identifiera vegetationstyp. Sentinel-2 tillhandahåller data som kan användas för att dra slutsatser om växtens hälsa utifrån dess grönska. Dessa satellitdata matades in i en maskinlärningsmodell som tränats på U.S. Forest Services Insect and Disease Detection Survey, som genomförs årligen för att uppskatta trädens dödlighet från luften.

Med dessa nya tillägg kunde maskinlärningsmodellen korrekt uppdatera LANDFIRE-bränsledatan.

“LANDFIRE-data är super-värdefulla och erbjuder en tillförlitlig plattform att bygga på”, sa DeCastro. “Artificiell intelligens visade sig vara ett effektivt verktyg för att uppdatera data på ett mindre resurskrävande sätt.”

Testning av det nya systemet

Forskargruppen satte sedan igång med att testa effekten av den uppdaterade inventeringen på skogsbrandssimuleringar, så de använde WRF-Fire, som utvecklats av NCAR för att simulera skogsbrandsbeteende.

De använde först WRF-Fire för att simulera East Troublesome Fire med den ojusterade LANDFIRE-bränsledatamängden, vilket resulterade i att den underskattade den yta som skulle brinna. Men när modellen kördes med den justerade datamängden, förutsåg den den brända ytan med betydligt högre grad av precision. Den gjorde detta genom att förutsäga att den döda och nedfallna veden skulle bidra till att sprida branden.

Denna maskinlärningsmodell är för närvarande utformad för att uppdatera befintliga bränslekartor, men den kan så småningom leda till regelbunden produktion och uppdatering av bränslekartor från grunden.

Forskare vid NCAR hoppas också att maskinlärning ska lösa andra stora utmaningar inom detta område, såsom att förbättra vår förmåga att förutsäga egenskaperna hos glödande partiklar som bildas vid en brand.

NCAR-forskaren Timothy Juliano är medförfattare till studien.

“Vi har så mycket teknik och så mycket beräkningskraft och så många resurser till vårt förfogande för att lösa dessa problem och hålla människor säkra”, sa Juliano. “Vi är väl positionerade för att göra en positiv inverkan; vi behöver bara fortsätta arbeta med det.”