Kỹ thuật AI mới có thể cải thiện dự báo cháy rừng

Các nhà khoa học tại Trung tâm Nghiên cứu Khí quyển Quốc gia (NCAR) đã phát triển một kỹ thuật mới sử dụng trí tuệ nhân tạo (AI) để cải thiện dự báo cháy rừng. Kỹ thuật này giúp cập nhật hiệu quả các bản đồ thực vật được sử dụng bởi các mô hình máy tính về cháy rừng để dự đoán chính xác hành vi và lan truyền của lửa.

Phương pháp này đã được chứng minh bằng cách sử dụng vụ cháy rừng East Troublesome Fire tại Colorado vào năm 2020. Trong vụ cháy này, đất bị cháy đã được mô tả không chính xác trong các bản kiểm kê vật liệu cháy là khu vực có thảm thực vật khỏe mạnh. Tuy nhiên, trên thực tế, khu vực bị cháy gần đây đã bị ảnh hưởng bởi bọ đục vỏ thông và bão gió, khiến cho một lượng lớn gỗ chết và đổ xuống.

So sánh mô phỏng cháy rừng

Đội ngũ đã so sánh các mô phỏng của vụ cháy được tạo ra bởi một mô hình hành vi cháy rừng sử dụng bản kiểm kê vật liệu cháy tiêu chuẩn và một mô hình khác được cập nhật bằng AI. Các mô phỏng dùng AI cho kết quả tốt hơn đáng kể khi dự đoán khu vực bị cháy bởi vụ cháy.

Amy DeCastro là một nhà khoa học tại NCAR và là tác giả chính của nghiên cứu.

“Một trong những thách thức chính của chúng tôi trong việc mô hình hóa cháy rừng là để có được thông tin đầu vào chính xác, bao gồm cả dữ liệu nhiên liệu,” DeCastro cho biết. “Trong nghiên cứu này, chúng tôi đã chứng minh rằng việc sử dụng kết hợp học máy và hình ảnh vệ tinh cung cấp một giải pháp khả thi.”

Các mô phỏng đã được chạy tại Trung tâm Siêu máy tính NCAR-Wyoming trên hệ thống Cheyenne.

Các mô hình được thiết kế để mô phỏng chính xác cháy rừng đòi hỏi nhiều thông tin chi tiết về điều kiện hiện tại, chẳng hạn như thời tiết và địa hình địa phương. Chúng cũng đòi hỏi thông tin về vật liệu thực vật đóng vai trò nhiên liệu cho đám cháy.

Tập dữ liệu LANDFIRE

Cơ sở dữ liệu nhiên liệu tốt nhất được tạo ra bởi LANDFIRE, một chương trình liên bang tạo ra các tập dữ liệu không gian địa lý chứa thông tin về nhiên liệu cháy rừng. Để tạo ra các tập dữ liệu nhiên liệu cháy rừng, các chuyên gia cần nhiều hình ảnh vệ tinh, mô phỏng cảnh quan và thông tin khảo sát. Do lượng dữ liệu yêu cầu lớn, việc cập nhật các tập dữ liệu này mất nhiều thời gian. Đồng thời, nhiên liệu có sẵn trong một khu vực có thể thay đổi nhanh chóng.

Đội ngũ đã cập nhật cơ sở dữ liệu nhiên liệu bằng cách sử dụng vệ tinh Sentinel, thuộc chương trình Copernicus của Cơ quan Vũ trụ châu Âu. Sentinel-1 cung cấp dữ liệu về kết cấu bề mặt, có thể được sử dụng để xác định loại thực vật. Sentinel-2 cung cấp dữ liệu có thể được sử dụng để suy đoán sức khỏe của cây từ màu xanh của nó. Dữ liệu vệ tinh này đã được đưa vào một mô hình học máy được đào tạo trên Khảo sát Phát hiện Côn trùng và Bệnh của Dịch vụ Lâm nghiệp Hoa Kỳ, được thực hiện hàng năm để ước tính tỷ lệ tử vong của cây từ trên không.

Với những bổ sung mới này, mô hình học máy đã có thể cập nhật chính xác dữ liệu nhiên liệu LANDFIRE.

“Dữ liệu LANDFIRE rất có giá trị và cung cấp một nền tảng đáng tin cậy để xây dựng,” DeCastro cho biết. “Trí tuệ nhân tạo đã chứng minh là một công cụ hiệu quả để cập nhật dữ liệu theo cách ít tốn tài nguyên hơn.”

Thử nghiệm hệ thống mới

Đội ngũ sau đó đã tiến hành thử nghiệm ảnh hưởng của bản kiểm kê vật liệu cháy đã cập nhật đến các mô phỏng cháy rừng, vì vậy họ đã sử dụng WRF-Fire, được phát triển bởi NCAR để mô phỏng hành vi cháy rừng.

Họ đầu tiên sử dụng WRF-Fire để mô phỏng vụ cháy rừng East Troublesome với cơ sở dữ liệu nhiên liệu LANDFIRE không điều chỉnh, dẫn đến việc mô hình đánh giá thấp diện tích sẽ bị cháy. Tuy nhiên, khi mô hình được chạy với cơ sở dữ liệu đã điều chỉnh, nó dự đoán diện tích bị cháy với độ chính xác cao hơn nhiều. Nó đã làm điều này bằng cách dự đoán rằng gỗ chết và đổ xuống sẽ giúp lan truyền lửa.

Mô hình học máy này hiện được thiết kế để cập nhật các bản đồ nhiên liệu hiện có, nhưng nó có thể cuối cùng dẫn đến việc sản xuất và cập nhật thường xuyên các bản đồ nhiên liệu từ đầu.

Các nhà nghiên cứu tại NCAR cũng hy vọng rằng học máy sẽ giải quyết các thách thức lớn khác trong lĩnh vực này, chẳng hạn như cải thiện khả năng dự đoán đặc tính của các tàn lửa do đám cháy tạo ra.

Nhà khoa học NCAR Timothy Juliano là đồng tác giả của nghiên cứu.

“Chúng tôi có rất nhiều công nghệ và rất nhiều năng lực tính toán và rất nhiều nguồn lực trong tầm tay để giải quyết những vấn đề này và giữ cho mọi người an toàn,” Juliano cho biết. “Chúng tôi đang ở vị trí tốt để tạo ra tác động tích cực; chúng tôi chỉ cần tiếp tục nỗ lực thực hiện việc này.”