Một phương pháp mới sử dụng trí tuệ nhân tạo (AI) và máy học (ML) để nâng cao dự báo cháy rừng đã được các nhà khoa học tại Trung tâm Nghiên cứu Khí quyển Quốc gia (NCAR) phát triển. Phương pháp tiếp cận này hỗ trợ cập nhật kịp thời các bản đồ thảm thực vật, được sử dụng bởi các thuật toán mô hình hóa máy tính chữa cháy để dự đoán hành vi lan rộng.
Làm thế nào mô hình ML có thể cải thiện dự báo cháy rừng?
Kỹ thuật này được sử dụng để giải thích Vụ cháy rắc rối phía Đông năm 2020 ở Colorado. Trong các bản kiểm kê nhiên liệu, đất bị cháy bị đánh giá sai là tốt cho sức khỏe, mặc dù nó vừa bị ảnh hưởng bởi bọ thông và bão gió, để lại những mảng lớn gỗ chết và bị đổ. Cháy rừng không phải là thảm họa thiên nhiên duy nhất mà các nhà khoa học đang phải đối phó. Bạn có biết rằng hệ thống ML mới nhất có thể phát hiện nhanh chóng các trận động đất chết người không?
Các học so sánh hai mô hình hành vi cháy sử dụng kho nhiên liệu tiêu chuẩn và một mô hình kết hợp AI. Khi dự đoán khu vực bị ngọn lửa thiêu rụi, các mô phỏng AI hoạt động tốt hơn đáng kể so với các mô phỏng dựa trên kho nhiên liệu thông thường.
“Một trong những thách thức chính của chúng tôi trong việc lập mô hình cháy rừng là thu được thông tin đầu vào chính xác, bao gồm cả dữ liệu nhiên liệu. Trong nghiên cứu này, chúng tôi chỉ ra rằng việc sử dụng kết hợp máy học và hình ảnh vệ tinh mang lại một giải pháp khả thi”, tác giả chính của nghiên cứu, Amy DeCastro cho biết.
Hệ thống Cheyenne tại Trung tâm Siêu máy tính NCAR-Wyoming được sử dụng để tiến hành mô phỏng mô hình. Các mô hình mô phỏng đám cháy đòi hỏi nhiều dữ liệu chính xác về các điều kiện hiện tại, chẳng hạn như thời tiết, địa hình địa phương và nguyên liệu thực vật. Các công cụ do công nghệ cung cấp đang được sử dụng để làm cho những nghiên cứu này trở nên dễ dàng hơn. Chẳng hạn, một mạng lưới thần kinh mới có thể đọc chiều cao của cây bằng hình ảnh vệ tinh.
Bộ dữ liệu nhiên liệu toàn diện nhất có sẵn từ LANDFIRE, một sáng kiến của chính phủ nhằm thu thập các bộ dữ liệu địa lý với thông tin về nhiên liệu cháy rừng. Các chuyên gia cần rất nhiều hình ảnh vệ tinh, mô hình cảnh quan và thông tin khảo sát để tạo ra bộ dữ liệu về nhiên liệu cháy rừng. Do số lượng dữ liệu cần thiết lớn nên việc cập nhật cơ sở dữ liệu mất nhiều thời gian. Đồng thời, số lượng vật liệu dễ cháy trong một khu vực có thể phân biệt nhanh chóng.
Nhóm nghiên cứu đã sử dụng các vệ tinh Sentinal, một phần của chương trình Copernicus của Cơ quan Vũ trụ Châu Âu, để cập nhật dữ liệu nhiên liệu. Lính gác-1 thu thập dữ liệu về kết cấu bề mặt và có thể được sử dụng để xác định các loài thực vật. Lính gác-2 thu thập dữ liệu có thể được sử dụng để đánh giá sức khỏe của cây từ độ xanh của nó. Dữ liệu này được sử dụng để xây dựng mô hình học máy cho Khảo sát phát hiện côn trùng và dịch bệnh của Sở Lâm nghiệp, được thực hiện hàng năm từ trên không để ước tính tỷ lệ tử vong của cây. Cuộc khảo sát được thực hiện bởi Sở Lâm nghiệp.
Sau đó, mô hình học máy có thể cập nhật chính xác dữ liệu nhiên liệu của LANDFIRE bằng những tính năng mới này.
“Dữ liệu LANDFIRE cực kỳ có giá trị và cung cấp nền tảng đáng tin cậy để xây dựng. Trí tuệ nhân tạo đã được chứng minh là một công cụ hiệu quả để cập nhật dữ liệu theo cách ít tốn tài nguyên hơn,” DeCastro giải thích.
Quá trình kiểm tra
Tiếp theo, các nhà nghiên cứu muốn xem bản kiểm kê đã sửa đổi sẽ ảnh hưởng như thế nào đến mô phỏng dự báo cháy rừng, vì vậy họ đã sử dụng WRF-Fire, công cụ mà NCAR xây dựng để mô phỏng hành vi cháy rừng.
Vụ cháy rắc rối phía Đông được mô phỏng bằng cách sử dụng dữ liệu nhiên liệu LANDFIRE chưa được điều chỉnh bằng cách áp dụng WRF-Fire cho nó, dẫn đến đánh giá thấp diện tích bị cháy. Mặt khác, khi chạy mô hình ML với bộ dữ liệu dự báo cháy rừng được cập nhật, nó đã dự đoán khu vực bị cháy này với độ chính xác cao hơn nhiều. Người ta cho rằng gỗ chết và đổ xuống sẽ góp phần làm lửa lan rộng.
Mục tiêu của phương pháp học máy này là sửa đổi bản đồ nhiên liệu hiện tại nhưng cuối cùng nó có thể dẫn đến việc sản xuất và cập nhật liên tục bản đồ nhiên liệu.
Các nhà nghiên cứu tại NCAR cũng lạc quan rằng học máy sẽ giúp chúng ta giải quyết những vấn đề lớn hơn nữa trong lĩnh vực này, chẳng hạn như cách cải thiện khả năng dự báo đặc tính của than hồng do hỏa hoạn tạo ra.
“Chúng tôi có rất nhiều công nghệ, sức mạnh tính toán và rất nhiều tài nguyên trong tầm tay để giải quyết những vấn đề này và giữ an toàn cho mọi người. Chúng tôi ở vị trí tốt để tạo ra tác động tích cực; chúng ta cần tiếp tục nghiên cứu nó,” đồng tác giả của nghiên cứu, Timothy Juliano, cho biết.
Khi thảo luận về các vấn đề môi trường, điều quan trọng là phải nhấn mạnh các mối quan tâm về tính bền vững. Xem nghiên cứu mới nhất đề cập đến nhu cầu năng lượng ngày càng tăng của ML.
