Національна гвардія доповнить вогнезахистні дрони штучним інтелектом

Оскільки пожежі стають більші та небезпечніші, різні урядові та приватні агентства звернулися до штучного інтелекту для виявлення та потенційного прогнозування лісових пожеж. Національна гвардія проводила розвідувальні польоти в Каліфорнії під час пізнього літа та осені за останні кілька років, але тепер дрони, які використовуються для проведення цих польотів, отримали оновлення з алгоритмами штучного інтелекту, призначеними для автоматичної генерації карт пожеж у певному регіоні.

Створення карт пожеж – це надзвичайно складний процес, який вимагає аналізу даних для картування постійно змінюваних пожеж, коли вони рухаються по гірській місцевості. Для створення карт пожеж використовуються як повітряні, так і наземні спостереження, а карти пожеж зазвичай оновлюються лише раз на добу чи близько того. Великі пожежі можуть рухатися на відстань до 15 миль за один день, як свідчать деякі пожежі цього сезону. Агентства з моніторингу пожеж потребують швидших способів збору даних про пожежі та оновлення карт пожеж, а безпілотні літальні апарати в поєднанні з штучним інтелектом можуть задовольнити цю потребу.

Системи картування пожеж, багато з яких залежать від даних супутників, зазвичай використовують один із двох різних методів виявлення можливих пожеж. Пожежі виявляються або шляхом виявлення тепла, яке виходить з поверхні Землі (виявлення незвичайно гарячих ділянок), або шляхом аналізу аерозольних викидів (виявлення димових частинок, які викидаються в повітря при спаленні біомаси). Після виявлення потенційних пожеж їх можна підтвердити за допомогою високороздільних систем зображення, таких як безпілотні літальні апарати. Камери, які оснащені безпілотними літальними апаратами Національної гвардії, здатні показувати пожежі з роздільною здатністю лише 90 футів над землею.

Національна гвардія оснастила свої безпілотні літальні апарати MQ-9 “Ріпер” алгоритмами штучного інтелекту, призначеними для виявлення пожеж та генерації карт пожеж. Алгоритми штучного інтелекту використовуються для збору даних про діючі пожежі та виявлення “точкових пожеж”, які були розпочаті більшістю пожеж. Проект був реалізований за допомогою Центру спільного штучного інтелекту (JAIC), підрозділу, створеного Пентагоном у 2018 році. Система картування пожеж JAIC використовує алгоритми машинного навчання, навчені на повітряних кадрах минулих пожеж з анотованими межами. Алгоритм може потім приймати невидані зображення з лише локальними даними та виявляти пожежі на них, видаючи карту, яка показує, які регіони горять. Розташування точкових пожеж також позначається.

У порівнянні з процесом генерації карт пожеж, який використовується іншими агентствами, система картування пожеж JAIC значно швидша. Процес генерації карт пожеж з використанням штучного інтелекту може генерувати нову карту пожежі приблизно кожні півгодини. За даними Каліфорнійської національної гвардії повітряних сил, карти, створені новою системою, точні, а відгуки від CalFire були позитивними. Якщо карти продовжать доводити свою надійність та можуть бути успішно інтегровані з операціями CalFire, їх можна буде розгорнути для допомоги у виявленні пожеж під час наступного сезону пожеж.

Поза межами картування меж діючих пожеж, штучний інтелект може допомогти командам пожежогасіння передбачити рух пожеж. CalFire сам недавно почав працювати з інструментом під назвою WildFire Analyst Enterprise. Інструмент аналізу пожеж був створений компанією Technosylva, і він працює шляхом поєднання різних моделей поширення пожеж. Ці моделі покращуються за допомогою алгоритмів машинного навчання, навчених на особливостях минулих пожеж (таких як вміст вологи в рослинності, погодні умови та зображення супутників). Модель потім порівнює дані про поточну пожежу з даними про минулі пожежі, щоб зробити передбачення про те, як ця пожежа може пошириться. Програмне забезпечення також дозволяє користувачеві створювати симуляції на основі того, як різні змінні, такі як погодні умови, змінюються. Інструмент правильно передбачив, що пожежа CZU Lightning Complex рухатиметься у напрямку міста Фелтон, що дозволило командам пожежогасіння прибути заздалегідь та врятувати багато будівель, які могли б не бути врятовані інакше.

Тим часом пожежні департаменти в південній Каліфорнії використовують іншу систему відстежування та прогнозування пожеж під назвою FireMap, розроблену лабораторією Wifire. FireMap використовує як повітряні, так і наземні дані з камер, а також кліматичні умови, умови вітру, вміст вологи в рослинності та інше, щоб передбачити, де пожежі поширяться.

Оскільки створюється все більше платформ виявлення та прогнозування пожеж, керованих штучним інтелектом, безпілотні літальні апарати, ймовірно, стануть все більш важливими. Супутники надзвичайно корисні, але вони мають обмеження щодо типу та обсягу даних, які вони можуть зібрати. Існують два типи супутників, які використовуються для збору даних: полярні супутники-орбітери та геосинхронні супутники. Полярні супутники-орбітери здатні робити високороздільні зображення, але ці зображення робляться лише двічі на добу. Навпаки, зображення, зібрані геосинхронними супутниками, робляться частіше, зазвичай кожні 5 хвилин чи близько того. Однак геосинхронні супутники повинні летіти приблизно на 22 000 миль над поверхнею Землі, щоб залишатися в синхронізації з орбітою Землі. Як результат, ці зображення містять значно менше деталей, ніж полярні супутники-орбітери. Безпілотні літальні апарати можуть допомогти заповнити прогалини в даних, отримуючи більш постійні та детальні зображення області інтересу.