Ученые используют ИИ для обновления карт растительности для улучшения прогнозирования лесных пожаров
Новая методика, разработанная Национальным центром атмосферных исследований (NCAR), использует искусственный интеллект для эффективного обновления карт растительности, на которые полагаются компьютерные модели пожаров для точного прогнозирования поведения и распространения огня.
В недавнем исследовании ученые продемонстрировали метод на примере пожара Ист-Траблсам 2020 года в Колорадо, который бушевал на территории, ошибочно характеризовавшейся в инвентаризациях горючих материалов как здоровый лес. На самом деле пожар, разраставшийся взрывными темпами, опустошил ландшафт, недавно пострадавший от нашествия короедов и ураганов, где остались значительные участки мертвой и поваленной древесины.
Исследователи сравнили симуляции пожара, сгенерированные современной моделью поведения пожаров, разработанной в NCAR, с использованием как стандартной инвентаризации горючих материалов для района, так и обновленной с помощью искусственного интеллекта (ИИ). Симмуляции с использованием данных, обновленных ИИ, значительно лучше предсказали пройденную огнем площадь, которая в итоге составила более 190 000 акров земли по обе стороны континентального водораздела.
«Одной из наших основных проблем в моделировании лесных пожаров было получение точных исходных данных, включая данные о горючих материалах», — сказала ученый NCAR и ведущий автор Эми ДеКастро. «В этом исследовании мы показываем, что совместное использование машинного обучения и спутниковых снимков обеспечивает жизнеспособное решение».
Использование спутников для учета ущерба от короедов
Для точного моделирования пожара необходима подробная информация о текущих условиях, включая характеристики растительности, которая служит топливом. Золотым стандартом наборов данных о топливе являются продукты федеральной программы LANDFIRE, но их создание требует много ресурсов, что ограничивает частоту обновлений.
В случае пожара Ист-Траблсам последний набор данных LANDFIRE был выпущен в 2016 году. За четыре последующих года короеды вызвали массовую гибель деревьев в этом районе. Чтобы обновить данные, исследователи использовали информацию со спутников Sentinel (Европейское космическое агентство). Данные о текстуре поверхности (Sentinel-1) и «зелености» растительности (Sentinel-2) были загружены в модель машинного обучения «случайный лес», обученную на ежегодном обследовании болезней и насекомых Лесной службы США. В результате модель смогла точно обновить данные LANDFIRE, переклассифицировав большую часть топлива в категорию «сплошной ветровал», используемую для лесов с массовой гибелью деревьев.
Позиция для положительного воздействия
Для проверки влияния обновленных данных на моделирование использовалась специальная версия модели прогнозирования погоды и исследований NCAR — WRF-Fire. При использовании исходных данных LANDFIRE модель значительно занижала прогнозируемую площадь пожара. С обновленными данными точность прогноза площади возгорания значительно повысилась, что подтвердило роль мертвой древесины как фактора ускорения распространения огня.
В настоящее время модель машинного обучения предназначена для быстрого (за несколько минут) обновления существующих карт. Однако успех проекта также показывает перспективу использования подобных систем для регулярного создания и обновления карт горючих материалов «с нуля» для обширных регионов, подверженных риску пожаров. Исследователи NCAR также надеются, что машинное обучение поможет решить другие сложные задачи, такие как прогнозирование свойств искр и вероятности точечных возгораний.
«У нас так много технологий, вычислительных мощностей и ресурсов под рукой, чтобы решить эти проблемы и обезопасить людей, — сказал ученый NCAR и соавтор исследования Тимоти Джулиано. — Мы хорошо подготовлены для того, чтобы оказать положительное влияние; нам просто нужно продолжать работать над этим».
Исследование было опубликовано в журнале Remote Sensing.