เทคนิค AI ใหม่สามารถปรับปรุงการคาดการณ์ไฟป่าได้

นักวิทยาศาสตร์จากศูนย์วิจัยบรรยากาศแห่งชาติ (NCAR) ได้พัฒนาเทคนิคใหม่ที่ใช้ปัญญาประดิษฐ์ (AI) เพื่อปรับปรุงการคาดการณ์ไฟป่า เทคนิคนี้ช่วยอัปเดตแผนที่พืชพรรณที่ใช้โดยโมเดลคอมพิวเตอร์ไฟป่าได้อย่างมีประสิทธิภาพ เพื่อทำนายพฤติกรรมและการแพร่กระจายของไฟได้อย่างแม่นยำ 

วิธีนี้ได้รับการสาธิตโดยใช้ East Troublesome Fire ในปี 2020 ในโคโลราโด ในช่วงที่เกิดไฟไหม้นี้ ดินที่ถูกเผาไหม้มีลักษณะผิดๆ ในสินค้าคงเหลือเชื้อเพลิงว่าดีต่อสุขภาพ แต่ในความเป็นจริง พื้นที่ที่ถูกไฟไหม้เพิ่งได้รับผลกระทบจากด้วงสนและลมพายุ ซึ่งทำให้ไม้ตายและไม้กระดกเป็นส่วนใหญ่ 

เปรียบเทียบการจำลองไฟป่า

ทีมงานเปรียบเทียบการจำลองไฟที่เกิดจากแบบจำลองพฤติกรรมไฟป่าที่ใช้คลังเชื้อเพลิงมาตรฐานกับแบบจำลองอื่นที่อัปเดตด้วย AI การจำลองของ AI ทำงานได้ดีขึ้นอย่างมากเมื่อคาดการณ์พื้นที่ที่ถูกไฟไหม้ 

Amy DeCastro เป็นนักวิทยาศาสตร์ NCAR และผู้เขียนนำของ การศึกษา. 

“หนึ่งในความท้าทายหลักของเราในการสร้างแบบจำลองไฟป่าคือการได้รับข้อมูลที่แม่นยำ รวมถึงข้อมูลเชื้อเพลิงด้วย” DeCastro กล่าว “ในการศึกษานี้ เราแสดงให้เห็นว่าการใช้การเรียนรู้ของเครื่องและภาพถ่ายดาวเทียมร่วมกันเป็นวิธีแก้ปัญหาที่ใช้ได้”

การจำลองแบบจำลองดำเนินการที่ NCAR-Wyoming Supercomputing Center บนระบบไชแอนน์ 

แบบจำลองเพื่อจำลองการเกิดไฟป่าอย่างแม่นยำต้องการข้อมูลรายละเอียดจำนวนมากเกี่ยวกับสภาพปัจจุบัน เช่น สภาพอากาศและภูมิประเทศในท้องถิ่น พวกเขายังต้องการข้อมูลเกี่ยวกับพืชซึ่งทำหน้าที่เป็นเชื้อเพลิงสำหรับไฟ 

ชุดข้อมูล LANDFIRE

ชุดข้อมูลเชื้อเพลิงที่ดีที่สุดจัดทำโดย LANDFIRE ซึ่งเป็นโปรแกรมของรัฐบาลกลางที่สร้างชุดข้อมูลภูมิสารสนเทศที่มีข้อมูลเกี่ยวกับเชื้อเพลิงไฟป่า ในการสร้างชุดข้อมูลเชื้อเพลิงไฟป่า ผู้เชี่ยวชาญต้องการภาพถ่ายดาวเทียม การจำลองภูมิทัศน์ และข้อมูลการสำรวจเป็นจำนวนมาก เนื่องจากข้อมูลที่จำเป็นจำนวนมาก การอัปเดตชุดข้อมูลจึงใช้เวลานาน ในขณะเดียวกัน เชื้อเพลิงที่มีอยู่ในพื้นที่หนึ่งๆ ก็สามารถเปลี่ยนแปลงได้อย่างรวดเร็ว 

ทีมปรับปรุงชุดข้อมูลเชื้อเพลิงโดยใช้ดาวเทียม Sentinel ซึ่งเป็นของโครงการ Copernicus ของ European Space Agency Sentinel-1 ให้ข้อมูลพื้นผิวพื้นผิว ซึ่งสามารถใช้ระบุชนิดของพืชได้ Sentinel-2 ให้ข้อมูลที่สามารถใช้เพื่อสรุปสุขภาพของพืชจากความเขียวขจี ข้อมูลดาวเทียมนี้ป้อนเข้าสู่โมเดลแมชชีนเลิร์นนิงที่ได้รับการฝึกอบรมเกี่ยวกับการสำรวจตรวจจับแมลงและโรคของ US Forest Service ซึ่งดำเนินการเป็นประจำทุกปีเพื่อประเมินการตายของต้นไม้จากอากาศ 

ด้วยการเพิ่มใหม่เหล่านี้ โมเดลแมชชีนเลิร์นนิงสามารถอัปเดตข้อมูลเชื้อเพลิงของ LANDFIRE ได้อย่างแม่นยำ 

“ข้อมูลของ LANDFIRE นั้นมีค่ามาก และเป็นแพลตฟอร์มที่เชื่อถือได้สำหรับการต่อยอด” DeCastro กล่าว “ปัญญาประดิษฐ์ได้รับการพิสูจน์แล้วว่าเป็นเครื่องมือที่มีประสิทธิภาพในการอัปเดตข้อมูลในลักษณะที่ใช้ทรัพยากรน้อยลง”

ทดสอบระบบใหม่

จากนั้น ทีมงานจึงออกเดินทางเพื่อทดสอบผลกระทบของสินค้าคงคลังที่อัปเดตแล้วต่อการจำลองไฟป่า ดังนั้นพวกเขาจึงใช้ WRF-Fire ซึ่งพัฒนาโดย NCAR เพื่อจำลองพฤติกรรมของไฟป่า 

เริ่มแรกพวกเขาใช้ WRF-Fire เพื่อจำลองไฟป่าตะวันออกด้วยชุดข้อมูลเชื้อเพลิง LANDFIRE ที่ไม่ได้ปรับแต่ง ซึ่งส่งผลให้คาดการณ์ปริมาณพื้นที่ที่จะถูกเผาไหม้ได้ต่ำกว่าความเป็นจริง อย่างไรก็ตาม เมื่อโมเดลถูกรันด้วยชุดข้อมูลที่ปรับแล้ว โมเดลจะคาดการณ์พื้นที่ที่ถูกไฟไหม้ด้วยระดับความแม่นยำที่สูงกว่ามาก โดยทำนายว่าไม้ที่ตายแล้วและไม้กระดกจะช่วยให้ไฟลุกลาม 

โมเดลแมชชีนเลิร์นนิงนี้ได้รับการออกแบบมาเพื่ออัปเดตแผนที่เชื้อเพลิงที่มีอยู่ แต่ในที่สุดอาจนำไปสู่การผลิตและอัปเดตแผนที่เชื้อเพลิงตามปกติตั้งแต่เริ่มต้น 

นักวิจัยจาก NCAR ยังหวังว่าแมชชีนเลิร์นนิงจะแก้ปัญหาความท้าทายที่สำคัญอื่นๆ ในด้านนี้ เช่น ปรับปรุงความสามารถของเราในการทำนายคุณสมบัติของถ่านคุที่เกิดจากไฟ 

Timothy Juliano นักวิทยาศาสตร์ของ NCAR เป็นผู้เขียนร่วมของการศึกษา 

“เรามีเทคโนโลยีมากมาย พลังการประมวลผลมากมาย และทรัพยากรมากมายที่ปลายนิ้วของเราเพื่อแก้ปัญหาเหล่านี้และทำให้ผู้คนปลอดภัย” จูเลียโนกล่าว “เราอยู่ในตำแหน่งที่ดีที่จะสร้างผลกระทบในเชิงบวก เราแค่ต้องทำงานต่อไป”