Nye værktøjer kan kortlægge komplekse vejrdata for at hjælpe brandmænd med at forudsige, hvor skovbrande sandsynligvis vil bryde ud

Vejr og brændstof - to førende skyldige i naturbrande - er nu i trådkorset for en forsker fra University of Alberta, der håber at kunne bruge maskinlæring mod dem.

Ved at udnytte kunstig intelligens (AI) til at sortere og kortlægge mængder af meteorologiske data, Mike Flannigan og medforskere fra Canadian Forest Service og University of Waterloo ønsker bedre at forudsige, hvor skovbrande kan bryde ud og tage fat, så brandslukningsmyndigheder kan planlægge fremad.

"Vi ønsker at supplere eksisterende beslutningsværktøjer, så de kan foretage de bedst mulige opkald i forbindelse med håndtering af brand for at hjælpe med at beskytte lokalsamfund, " sagde Flannigan.

Ved at finde ud af, hvor skovbrande sandsynligvis vil slå rod, brandmandskab og helikoptere kan effektivt indsættes, sagde Flannigan. Denne forhåndsadvarsel er afgørende, når det kan tage fra tre til syv dage at få ressourcer udefra til branden, bemærkede han.

Brandledere ville være i stand til at forudsige alvorligt brandvejr i et bestemt område, afgøre, om de nødvendige ressourcer er tilgængelige, og planlæg derefter at have dem ved hånden.

"For eksempel, hvis det er vådt i Quebec, besætninger og fly kan sendes til Alberta for at håndtere skovbrande der, " han sagde.

Flannigan udforsker potentialet i neurale netværkssoftware, der behandler vejrmønstre og variabler som temperatur, tryk, luftfugtighed og vindhastighed for at skabe langt mere detaljerede kort, end der findes i øjeblikket.

"Tænk på en baby, der ser et menneskeligt ansigt:de begynder at skelne ører, næse og øjne, og som de skelner yderligere, de kan se endnu flere detaljer som knurhår og bakkenbarter, " sagde Flannigan. Neurale netværk fungerer på samme måde, at identificere alvorlige vejrmønstre i flere lag af eksisterende vejrdata.

"Det kunne omdannes til et kort, der kunne identificere sårbare områder, og hvilke tidspunkter brandvejret ville være hårdt, " han tilføjede.

Forskerne er også interesserede i at arbejde sammen med brandledere om at udvikle en applikation til fjernmåling og kortlægning af data om brændstoflag i skoven.

"Når der er ild i landskabet, vi vil gerne vide, hvilket brændstof det brænder på, som græs, nåletræer og asp. Brandledelsesbureauer har brændstofkort, men de er ofte rumligt grove, og vi ønsker at gå til en meget finere opløsning med mange flere detaljer."

Gennem fjernmåling, kort kan også opdateres oftere. I øjeblikket, der kan gå 18 til 20 år, før et område, der er blevet kortlagt, bliver vurderet igen, med mange ændringer, der sker ind imellem, Flannigan bemærkede.

Opdateret, rigt detaljerede rumlige kort kan give brandledere en bedre fornemmelse af, hvordan brændstof til branden er opbygget lodret og vandret.

"I en højintensiv naturbrand, et kort med denne applikation kan hjælpe med at identificere det, vi kalder stigebrændstoffer, såsom buske (planter, der vokser under trækroner), som tillader ilden at brede sig ind i trætoppene, " forklarede Flannigan.

"Det nuværende one-size-fits-all-system, der er i brug, fortæller os det ikke; det kan kun lave antagelser om underhistorien. Men denne nye form for maskinlæring vil have meget mere detaljeret information om brændstofstrukturen."

Ansøgningerne vil gennemgå pilotundersøgelser i løbet af de næste to år for at se, om maskinlæring faktisk kan forbedres på traditionelle metoder. Flannigan, som begyndte at udforske dets potentiale med en af ​​sine bachelorstuderende i 2016, tror det kan.

"Det er ikke et vidundermiddel, men for visse problemer med store mængder data, der skal behandles, maskinlæring giver os mulighed for at se relationer, der ikke altid er indlysende ved hjælp af traditionelle metoder og tilgange. Vi synes, at maskinlæringstilgange til håndtering af skovbrande er lovende."