นักวิทยาศาสตร์ใช้ AI เพื่ออัปเดตข้อมูลแผนที่พืชพันธุ์เพื่อปรับปรุงการพยากรณ์ไฟป่า

ในการศึกษาเมื่อเร็วๆ นี้ นักวิทยาศาสตร์ได้สาธิตวิธีการโดยใช้ไฟป่าที่ก่อปัญหาตะวันออกในปี 2020 ในรัฐโคโลราโด ซึ่งเผาผ่านพื้นที่ซึ่งมีการจำแนกลักษณะผิดๆ ในคลังเชื้อเพลิงว่าเป็นป่าที่สมบูรณ์ ในความเป็นจริงไฟซึ่งลุกลามอย่างรวดเร็ว แผดเผาภูมิประเทศที่เพิ่งถูกทำลายโดยแมลงปีกแข็งและลมพายุ ทิ้งไม้ตายและไม้หักโค่นจำนวนมาก ทีมวิจัยเปรียบเทียบการจำลองไฟที่เกิดจากแบบจำลองพฤติกรรมไฟป่าที่ล้ำสมัยซึ่งพัฒนาขึ้นที่ NCAR โดยใช้ทั้งคลังเชื้อเพลิงมาตรฐานสำหรับพื้นที่นั้นและแบบจำลองที่ได้รับการปรับปรุงด้วยปัญญาประดิษฐ์ (AI) การจำลองที่ใช้เชื้อเพลิงที่อัปเดตโดย AI นั้นดีกว่าอย่างมากในการทำนายพื้นที่ที่ถูกไฟเผาไหม้ ซึ่งท้ายที่สุดแล้วได้ขยายพื้นที่มากกว่า 190,000 เอเคอร์ทั้งสองด้านของการแบ่งทวีป Amy DeCastro นักวิทยาศาสตร์และผู้เขียนนำของ NCAR กล่าวว่า "หนึ่งในความท้าทายหลักของเราในการสร้างแบบจำลองไฟป่าคือการได้รับข้อมูลที่แม่นยำ รวมถึงข้อมูลเชื้อเพลิง "ในการศึกษานี้ เราแสดงให้เห็นว่าการใช้แมชชีนเลิร์นนิงและภาพถ่ายดาวเทียมร่วมกันเป็นวิธีแก้ปัญหาที่ได้ผล" การวิจัยได้รับทุนจาก US National Science Foundation ซึ่งเป็นผู้สนับสนุนของ NCAR การจำลองแบบจำลองดำเนินการที่ NCAR-Wyoming Supercomputing Center บนระบบไชแอนน์ การใช้ดาวเทียมเพื่ออธิบายความเสียหายของด้วงสน สำหรับแบบจำลองเพื่อจำลองไฟป่าอย่างแม่นยำนั้น จำเป็นต้องมีข้อมูลโดยละเอียดเกี่ยวกับสภาวะปัจจุบัน ซึ่งรวมถึงสภาพอากาศและภูมิประเทศในท้องถิ่นตลอดจนลักษณะของพืชที่เป็นเชื้อเพลิงสำหรับเปลวไฟ มีอะไรที่สามารถเผาไหม้ได้จริงและอยู่ในสภาพใด มันตายหรือมีชีวิตอยู่? มันชื้นหรือแห้ง? เป็นพันธุ์ไม้ชนิดใด? มีเท่าไหร่? ชั้นเชื้อเพลิงบนพื้นลึกแค่ไหน? ชุดข้อมูลเชื้อเพลิงมาตรฐานทองคำจัดทำโดย LANDFIRE ซึ่งเป็นโปรแกรมของรัฐบาลกลางที่สร้างชุดข้อมูลเชิงพื้นที่จำนวนมาก รวมถึงข้อมูลเกี่ยวกับเชื้อเพลิงไฟป่า กระบวนการสร้างชุดข้อมูลเชื้อเพลิงไฟป่าเหล่านี้มีความกว้างขวางและรวมเอาภาพถ่ายดาวเทียม การจำลองภูมิประเทศ และข้อมูลที่รวบรวมด้วยตนเองในระหว่างการสำรวจ อย่างไรก็ตาม จำนวนของทรัพยากรที่จำเป็นในการผลิตพวกมันหมายความว่าในทางปฏิบัติแล้ว พวกมันไม่สามารถปรับปรุงได้บ่อยครั้ง และเหตุการณ์ความไม่สงบในป่า ซึ่งรวมถึงไฟป่า การรบกวนของแมลง และการพัฒนา สามารถเปลี่ยนเชื้อเพลิงที่มีอยู่ได้อย่างรุนแรงในขณะเดียวกัน ในกรณีของ ไฟ ตะวันออกที่ก่อปัญหาซึ่งเริ่มขึ้นในแกรนด์เคาน์ตี้ รัฐโคโลราโด และไหม้ทางตะวันออกสู่อุทยานแห่งชาติร็อคกี้เมาน์เทน ชุดข้อมูลเชื้อเพลิง LANDFIRE ล่าสุดได้รับการเผยแพร่ในปี 2559 ในช่วงสี่ปีที่ผ่านมา แมลงปีกแข็งสนได้ทำให้ต้นไม้ลุกลามอย่างรวดเร็ว การตายในพื้นที่ ในการอัปเดตชุดข้อมูลเชื้อเพลิง นักวิจัยได้หันไปใช้ดาวเทียม Sentinel ซึ่งเป็นส่วนหนึ่งของโครงการ Copernicus ของ European Space Agency Sentinel-1 ให้ข้อมูลเกี่ยวกับลักษณะพื้นผิว ซึ่งสามารถใช้ระบุชนิดของพืชได้ (หญ้ามีพื้นผิวที่แตกต่างจากต้นไม้มาก เป็นต้น) และ Sentinel-2 ให้ข้อมูลที่สามารถใช้เพื่ออนุมานถึงสุขภาพของพืชจากความเขียวขจีของมัน นักวิทยาศาสตร์ป้อนข้อมูลดาวเทียมในรูปแบบการเรียนรู้ของเครื่องที่เรียกว่า "ป่าสุ่ม" ซึ่งพวกเขาได้รับการฝึกฝนในการสำรวจตรวจจับแมลงและโรคของ US Forest Service การสำรวจนี้ดำเนินการเป็นประจำทุกปีโดยเจ้าหน้าที่ที่ผ่านการฝึกอบรมซึ่งประเมินการตายของต้นไม้จากอากาศ ผลที่ได้คือโมเดลแมชชีนเลิร์นนิงสามารถอัปเดตข้อมูลเชื้อเพลิงของ LANDFIRE ได้อย่างแม่นยำ เปลี่ยนเชื้อเพลิงส่วนใหญ่ที่จัดอยู่ในประเภท "เศษไม้" หรือ "โครงไม้ด้านล่าง" เป็น "การโค่นล้ม" ซึ่งเป็นชื่อที่ใช้สำหรับพื้นที่ป่าที่มีต้นไม้หนาทึบ ความตาย "ข้อมูลของ LANDFIRE นั้นมีค่ามาก และเป็นแพลตฟอร์มที่เชื่อถือได้สำหรับการต่อยอด" DeCastro กล่าว "ปัญญาประดิษฐ์ได้รับการพิสูจน์แล้วว่าเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการอัปเดตข้อมูลในลักษณะที่ใช้ทรัพยากรน้อยลง" วางตำแหน่งเพื่อผลกระทบเชิงบวก เพื่อทดสอบผลกระทบของปริมาณเชื้อเพลิงที่อัปเดตแล้วต่อการจำลองไฟป่า นักวิทยาศาสตร์ใช้แบบจำลองการวิจัยสภาพอากาศและการพยากรณ์ของ NCAR หรือที่เรียกว่า WRF-Fire ซึ่งพัฒนาขึ้นเพื่อจำลองพฤติกรรมไฟป่าโดยเฉพาะ เมื่อใช้ WRF-Fire เพื่อจำลองไฟป่าตะวันออกโดยใช้ชุดข้อมูลเชื้อเพลิงของ LANDFIRE ที่ไม่ได้ปรับแต่ง จึงคาดการณ์ปริมาณพื้นที่ที่ไฟจะไหม้ได้ต่ำกว่าความเป็นจริงอย่างมาก เมื่อแบบจำลองถูกเรียกใช้อีกครั้งด้วยชุดข้อมูลที่ปรับแล้ว ก็สามารถคาดการณ์พื้นที่ที่ถูกไฟไหม้ด้วยระดับความแม่นยำที่มากขึ้น ซึ่งบ่งชี้ว่าไม้ที่ตายแล้วและท่อนซุงที่โค่นลงมาช่วยเติมเชื้อไฟให้ลุกลามมากกว่าต้นไม้ที่ยังมีชีวิตอยู่ . สำหรับตอนนี้ โมเดลแมชชีนเลิร์นนิงได้รับการออกแบบมาเพื่ออัปเดตแผนผังเชื้อเพลิงที่มีอยู่ และสามารถทำงานได้อย่างรวดเร็ว (ในเวลาไม่กี่นาที) แต่ความสำเร็จของโครงการยังแสดงให้เห็นถึงคำมั่นสัญญาในการใช้ระบบการเรียนรู้ของเครื่องเพื่อเริ่มผลิตและอัปเดตแผนที่เชื้อเพลิงอย่างสม่ำเสมอตั้งแต่เริ่มต้นในพื้นที่ขนาดใหญ่ที่มีความเสี่ยงจากไฟป่า การวิจัยใหม่ที่ NCAR เป็นส่วนหนึ่งของแนวโน้มที่กว้างขึ้นในการตรวจสอบแอปพลิเคชัน AI ที่เป็นไปได้สำหรับไฟป่า รวมถึงความพยายามในการใช้ AI เพื่อประเมินขอบเขตของไฟได้รวดเร็วยิ่งขึ้น นักวิจัยของ NCAR ยังหวังว่าแมชชีนเลิร์นนิงอาจช่วยแก้ปัญหาความท้าทายอื่นๆ สำหรับการสร้างแบบจำลองพฤติกรรมไฟป่าได้ ตัวอย่างเช่น แมชชีนเลิร์นนิงอาจปรับปรุงความสามารถของเราในการทำนายคุณสมบัติของถ่านที่คุที่เกิดจากไฟ (ขนาดใหญ่ ร้อนแค่ไหน และหนาแน่นแค่ไหน) รวมถึงโอกาสที่ถ่านที่คุเหล่านั้นอาจทำให้เกิดไฟจุดได้ Timothy Juliano นักวิทยาศาสตร์ของ NCAR ผู้ร่วมวิจัยกล่าวว่า "เรามีเทคโนโลยีมากมาย พลังการประมวลผลมากมาย และทรัพยากรมากมายที่ปลายนิ้วของเราเพื่อแก้ปัญหาเหล่านี้และทำให้ผู้คนปลอดภัย" "เราอยู่ในตำแหน่งที่ดีที่จะสร้างผลกระทบเชิงบวก เราแค่ต้องทำงานต่อไป"