Новые инструменты могут составить карту сложных погодных данных, чтобы помочь пожарным предсказать, где могут вспыхнуть лесные пожары

Исследователь из Университета Альберты надеется использовать машинное обучение против двух главных виновников лесных пожаров — погоды и горючих материалов. Майк Флэнниган и его коллеги из Канадской лесной службы и Университета Ватерлоо планируют применять искусственный интеллект для сортировки и картографирования огромных массивов метеорологических данных, чтобы точнее прогнозировать места возникновения и распространения пожаров для заблаговременного планирования действий пожарных служб.

Точное определение вероятных очагов возгорания позволит эффективно распределять пожарные команды и авиацию. Это критически важно, учитывая, что доставка дополнительных ресурсов к месту пожара может занимать от трех до семи дней. Менеджеры по борьбе с пожарами смогут прогнозировать опасные погодные условия в конкретном районе, оценивать доступность ресурсов и планировать их заблаговременное развертывание, например, перебрасывая технику и команды из одного региона в другой.

Флэнниган изучает потенциал нейросетевого программного обеспечения, которое анализирует погодные паттерны и такие переменные, как температура, давление, влажность и скорость ветра, для создания гораздо более детальных карт, чем существующие сегодня. Нейронные сети, подобно тому как ребенок учится различать детали лица, выявляют сложные погодные паттерны в многослойных данных, что в итоге может быть преобразовано в карту, указывающую уязвимые районы и периоды экстремальной пожарной погоды.

Кроме того, исследователи работают над приложением для дистанционного зондирования и картирования данных о горючих материалах в лесу. Существующие карты горючих материалов часто имеют грубое пространственное разрешение. Новый подход, основанный на машинном обучении и обновляемый дистанционно (вместо текущих интервалов в 18–20 лет), позволит получать детальные карты вертикальной и горизонтальной структуры топлива. Это поможет, например, идентифицировать «лестничное» топливо, такое как подлесок, которое способствует переходу огня в кроны деревьев.

Пилотные исследования в течение следующих двух лет должны показать, может ли машинное обучение улучшить традиционные методы. «Это не панацея, но для определенных задач с большими объемами данных машинное обучение позволяет увидеть взаимосвязи, которые не всегда очевидны при использовании традиционных методов. Мы считаем, что такие подходы в управлении лесными пожарами очень перспективны», — отметил Флэнниган.