Нова техніка штучного інтелекту може покращити прогнози лісових пожеж

Ученi Національного центру атмосферних досліджень (NCAR) розробили нову техніку, яка використовує штучний інтелект (AI) для покращення прогнозів лісових пожеж. Ця техніка допомагає ефективно оновлювати карти рослинності, які використовуються комп’ютерними моделями лісових пожеж для точного прогнозування поведінки вогню та його поширення.

Ця методика була продемонстрована на прикладі лісової пожежі East Troublesome Fire у Колорадо у 2020 році. Під час цієї пожежі спалена територія була неправильно класифікована у паливних інвентарях як здорові. Однак насправді територія, що згоріла, була недавно пошкоджена від грибків і вітрів, які залишили велику кількість мертвої та поваленої деревини.

Порівняння симуляцій лісових пожеж

Команда порівняла симуляції пожежі, згенеровані моделлю поведінки вогню, яка використовувала стандартний паливний інвентар, та іншу, оновлену за допомогою AI. Симуляції з AI показали значно кращі результати при прогнозуванні території, яка згоріла під час пожежі.

Емі Декастро – вчений NCAR і головний автор дослідження.

“Одним з наших основних викликів у моделюванні лісових пожеж є отримання точних даних, включаючи дані про паливо”, – сказала Декастро. “У цьому дослідженні ми показуємо, що комбіноване використання машинного навчання та супутникових зображень забезпечує життєздатне рішення.”

Симуляції моделей були проведені в центрі суперкомп’ютерних обчислень NCAR-Wyoming на системі Cheyenne.

Моделі, призначені для точного симулювання лісових пожеж, вимагають великої кількості детальної інформації про поточні умови, такі як місцевий клімат і рельєф. Вони також вимагають інформації про рослинність, яка виступає паливом для вогню.

Набір даних LANDFIRE

Найкращий набір даних про паливо створений програмою LANDFIRE, яка є федеральною програмою, що створює геопросторові набори даних, які містять інформацію про лісові пожежі. Для створення наборів даних про паливо експерти потребують великої кількості супутникових зображень, моделювання ландшафту та інформації з обстеження території. Через велику кількість необхідних даних оновлення наборів даних займає багато часу. Водночас доступне паливо на території може змінюватися швидко.

Команда оновила набір даних про паливо, використовуючи супутники Sentinel, які належать програмі Copernicus Європейського космічного агентства. Sentinel-1 забезпечує дані про поверхню, які можна використовувати для визначення типу рослинності. Sentinel-2 забезпечує дані, які можна використовувати для визначення стану рослинності за допомогою її зеленості. Ці супутникові дані були введені в модель машинного навчання, яка була навчена на даних опитування про захворювання дерев, проведеного Міністерством сільського господарства США.

З цими новими даними модель машинного навчання змогла точно оновити дані про паливо з набору даних LANDFIRE.

“Дані LANDFIRE надзвичайно цінні та забезпечують надійну основу для подальших досліджень”, – сказала Декастро. “Штучний інтелект виявився ефективним інструментом для оновлення даних менш ресурсоємким способом.”

Тестування нової системи

Команда вирішила протестувати вплив оновленого інвентарю на симуляції лісових пожеж, тому вони використали модель WRF-Fire, розроблену NCAR для симулювання поведінки вогню.

Спочатку вони використали WRF-Fire для симуляції пожежі East Troublesome Fire з незмінним набором даних про паливо LANDFIRE, що призвело до недооцінки території, яка згоріла під час пожежі. Однак, коли модель була запущена з оновленим набором даних, вона точно прогнозувала спалену територію.

Ця модель машинного навчання зараз призначена для оновлення існуючих карт рослинності, але вона може в майбутньому забезпечити регулярне створення та оновлення карт палива з нуля.

Дослідники в NCAR також сподіваються, що машинне навчання допоможе вирішити інші великі виклики в цій галузі, такі як покращення нашої здатності прогнозувати властивості згари, згенерованої вогнем.

Учений NCAR Тімоті Джуліано є співавтором дослідження.

“У нас є багато технологій, обчислювальної потужності та ресурсів, щоб вирішити ці питання та giữвати людей у безпеці”, – сказав Джуліано. “Ми добре підготовлені, щоб зробити позитивний вплив; нам просто потрібно продовжувати працювати над цим.”