Kunstig intelligens
Mellem AI og en voksende ‘Forekomstdatabase’ kan truslen fra skovbrande mindskes
Føj Securities.io til dine foretrukne kilder på Google
I øjeblikket ødelægger en hurtigt bevægende skovbrand en del af den gamle bjergby Jasper i de canadiske Rocky Mountains. Skaderne i Jasper beskrives som “uden for beskrivelse og forståelse”, og 25.000 mennesker er allerede blevet tvunget til at flygte.
Kæmpe skovbrande har ødelagt op til halvdelen af den historiske canadiske by Jasper. Samtidig er hundredvis af brande aktive i naboregionen British Columbia samt i Californien og Utah.
Hvert år rammes tusindvis af mennesker af skovbrande, hvor byer bliver brændt ned. I USA har der i de sidste fem år været 344 betydelige skovbrande, der har dræbt 178 personer. Samtidig har landet siden 1990’erne haft i gennemsnit omkring 70.000 brande om året. Ifølge National Interagency Fire Center (NIFC) er der siden 1980’erne indtruffet i alt 2,7 millioner skovbrande.
Efterhånden som antallet af brande fortsætter med at stige, er omkostningerne ved at bekæmpe dem også steget. Den amerikanske regering brugte næsten 4,4 mia. $ på at bekæmpe skovbrande i 2021 alene. I gennemsnit koster det omkring 74.000 $ at slukke hver skovbrand. Men det er ikke alt; forsikringspræmier for boligejere stiger også.
Skovbrande er steget globalt, ikke kun i hyppighed, men også i alvorlighed og varighed. Risikoen for skovbrand forekommer primært under ekstremt tørre forhold som kraftig vind, tørke og hedebølger. Dette betyder en voksende negativ indvirkning på menneskers og dyrelivs sundhed.
Udover ødelæggelsen forårsaget af selve ilden indeholder røgen fra skovbrande farlige luftforurenende stoffer som NO2, ozon, aromatiske kulbrinter, bly eller PM2,5, som er partikler med en diameter på 2,5 mikrometer eller mindre. PM2,5 er så fin, at den kan trænge dybere ind i vores luftveje og forårsage sundhedseffekter.
PM2,5 fra skovbrande er faktisk forbundet med for tidlig død i den generelle befolkning. Det kan forårsage og forværre sygdomme i lunger, nyrer, hjerte, hud, tarm, øjne, næse og lever. Det er desuden vist at føre til kognitiv svækkelse og hukommelsestab.
Skovbrande forurener ikke kun luften med giftige forurenende stoffer, men påvirker også klimaet ved at frigive store mængder CO2 og andre drivhusgasser i atmosfæren. Ved at dække Jorden fanger drivhusgasudledninger faktisk solens varme og gør den ubeboelig. For meget af dette fører til klimaforandringer, som fører til tørrere forhold, hvilket yderligere bidrager til længere brand-sæsoner. Dermed skabes en feedback-loop.
Efterhånden som skovbrande bliver stadig mere ekstreme i intensitet og skade, kan de forstyrre infrastrukturen inden for kommunikation, transport, strømforsyning, gasforsyning og vandforsyning. Desuden påvirker de i nærheden af befolkede områder betydeligt ejendom, husdyr, menneskelig dødelighed og miljøet.
Sidste år beregnede en undersøgelse af forskere ved University of Maryland, at skovbrande nu medfører 3 millioner flere hektar tab af trædække pr. år sammenlignet med 2001. Med 9,3 millioner hektar tab af trædække globalt blev 2021 et af de værste år.
Det er ikke fordi brande ikke er en naturlig del af, hvordan skove fungerer. Faktisk er boreale skove, som dækker store landområder i det nordlige Europa, Rusland, Alaska og Canada, tilpasset brand. Brand skaber en række landskaber og fjerner gamle skove, hvilket giver plads til nye.
Dog sker tab af trædække relateret til brand, selv i disse områder, i et accelereret tempo. Da boreale skove er blandt verdens førende leverandører af rent vand, huser betydelige dyrelivspopulationer og udgør et vigtigt kulstoflager, er den fortsatte tendens med skovbrande bekymrende og skal adresseres.
Udnyttelse af AI-modeller i kombination med satellitbilleder
En af de måder, hvorpå problemet med skovbrande bekæmpes, er gennem brug af kunstig intelligens (AI). Denne nye teknologi bruges ikke kun til chatbots og virtuelle assistenter, men også til at hjælpe miljøet gennem avanceret fjernmåling.
For nylig hjalp AI brandmænd med at reagere hurtigt på en skovbrand i et afsidesliggende område i Bay Area, Californien. Skovbranden blev stoppet før den spredte sig med hjælp fra et AI-drevet kamera, som opdagede røg og informerede brandbesætningerne, før flammen kunne vokse og blev svær at kontrollere.
Endda forsikringsudbydere vender sig mod AI. Det San Francisco-baserede Delos Insurance Solutions har solgt over 17.000 policer til boligejere, som andre firmaer har afvist. Dette er gjort muligt gennem virksomhedens skovbrandomodeller, hvor Delos samarbejder med universitetsprofessorer for at få proprietære datasæt om skovbrandmodellering og derefter tilføjer en AI-algoritme for at inkorporere flere data. Ifølge medstifter Shanna McIntyre overvejer Delos over 200 variable, der dækker vegetation, topografi og temperatur.
Der er tydeligt et stigende fokus på udviklingen af højopløsningsmodeller for skovbrande for at forudsige brandspredning.
Dette gøres i samarbejde med satellitter for at opdage brandsteder. Mens satellitter som LANDSAT, VHRS og MODIS allerede bruges til at overvåge fordelingen og forstyrrelsen af vegetation, forbliver forudsigelse af skovbrande en udfordrende opgave. AI og maskinlæring kan hjælpe med at levere en pålidelig metode til at forudsige og håndtere skovbrande.
For eksempel kan AI kobles med billeddannende satellitter, der analyserer forskellige faktorer såsom røgudvikling, brandhændelser og vegetationforstyrrelse. Ved at kombinere alle dataene kan AI-algoritmer hjælpe med at forudsige skovbrande gennem kontinuerlig læring. AI-teknologi kan desuden muliggøre styring af brandbekæmpelsesudstyr og patruljevogne med videokameraer.
For et år siden begyndte et team af forskere fra Aalto University i Finland at udvikle en AI-model kaldet FireCNN, der kan forudsige spredning af skovbrande. Modellen er trænet på satellitbilleder og vejrud data indsamlet mellem 2002 og 2019 for at identificere højrisikoområder. FireCNN analyserer 31 variable, herunder faktorer som vegetation og jorddække.
Der er dog mangel på AI-algoritmer, der kan korrelere alle tilgængelige data og realistiske modelleringsmetoder, som passer til behovene i forskellige landskaber verden over.
Ifølge en ny undersøgelse kan en ny model nøjagtigt forudsige spredning af skovbrande. Modellen kombinerer satellitbilleder og AI for at tilbyde et stort fremskridt inden for skovbrandstyring og nødhjælpsrespons.
Undersøgelsen, finansieret af NASA, Army Research Office og Viterbi CURVE-programmet, blev udført af USC-forskere og publiceret i Earth System Science Data.
Under denne nye model anvendes satellitdata til at spore udviklingen af skovbrande i realtid. Denne information indsættes i en sofistikeret computeralgoritme, der kan nøjagtigt forudsige den sandsynlige vej for branden samt dens intensitet og vækstrate.
“Denne model repræsenterer et vigtigt skridt fremad i vores evne til at bekæmpe skovbrande. Ved at tilbyde mere præcise og rettidige data styrker vores værktøj indsatsen fra brandmænd og evakueringshold, der kæmper mod skovbrande på frontlinjen.
– Bryan Shaddy, en korresponderende forfatter af undersøgelsen og doktorand ved USC Viterbi School of Engineering
Undersøgelsen startede med at indsamle historiske data fra højopløsningssatellitbilleder. Derefter, gennem adfærdsanalyse af tidligere skovbrande, sporede forskerne, hvordan ilden startede, spredte sig, og til sidst blev indeholdt.
Denne omhyggelige undersøgelse afslørede mønstre, der påvirkes af faktorer som terræn, vejr og brændstof, såsom træer og buske.
Forskerne trænede derefter en generativ AI-drevet model til at simulere, hvordan disse faktorer påvirker skovbrandenes udvikling over tid. Modellen blev derefter trænet til at genkende mønstre i satellitbillederne, der svarer til brandspredningen i deres model.
Modellen kaldes et betinget Wasserstein Generativt Modstander Netværk eller cWGAN, som allerede er blevet testet på fire reelle skovbrande i Californien over to år, mellem 2020 og 2022, for at se, hvor effektiv den er til at forudsige brandspredning. Trænet med WRF-SFIRE-simuleringer bruges cWGAN til at beregne ankomsttiden for branden ud fra satellitdata om aktive brande.
Resultaterne fra cWGAN var imponerende. Trænet på simple data under ideelle forhold, såsom ensrettet vind og fladt terræn, præsterede modellen godt i reelle skovbrande i Californien.
Modellens succes tilskrives brugen af AI-modellen sammen med satellitbilleder, som leverede faktiske skovbrandedata i stedet for kun at stå alene.
Dette har dog ikke været let. Undersøgelsens medforfatter Assad Oberai, professor i luft- og rumfart samt maskinteknik ved USC Viterbi, udtalte, at modellering af skovbrande var blandt de mest udfordrende på grund af deres ‘komplekse processer’.
Det er ikke kun brændstof, såsom træer og buske, der antænder, hvilket fører til komplekse kemiske reaktioner, producerer varme og vindstrømme, men også vejr og topografi påvirker brandadfærden. Assad sagde:
“Dette er yderst komplekse, kaotiske og ikke-lineære processer. For at modellere dem nøjagtigt skal du tage højde for alle disse forskellige faktorer. Du har brug for avanceret beregning.”
Forbedrede data til AI-modeller
Udover fremskridt inden for AI-teknologi forbedres data til at træne disse modeller også ved at dække hundredvis af yderligere faktorer, der påvirker antændelse og spredning af brand. Dette vil hjælpe vildtforvaltere og forskere med at lave mere præcise forudsigelser om, hvor og hvornår skovbrande kan opstå.
For nylig er Fire Program Analysis Fire-Occurrence Database (FPA FOD), som er den mest omfattende kilde til data om georefereret brandantændelse i USA, blevet betydeligt forbedret. Først udviklet i 2013 af US Forest Service, er modellen opdateret fem gange. Den samler brandrapporter fra lokale, statslige og føderale enheder med brandbeskyttelses- og rapporteringsansvar.
Modellen indeholder grundlæggende information såsom antændelsessted, opdagelsesdato og størrelsen af den endelige skovbrand. Den reviderede database vil dog dække endnu flere sociale og miljømæssige faktorer. Ifølge Erica Fleishman, professor ved Oregon State University:
“Der er en enorm interesse for, hvad der muliggør brandantændelser, og hvad der kan gøres for at forhindre dem. Denne database øger muligheden for at få adgang til relevant information og bidrager til beredskab og forebyggelse af skovbrande.”
Denne forbedrede database vil ikke kun hjælpe brandmænd og ledere på jorden med at bekæmpe branden, men den kan også hjælpe med at vurdere kortsigtet strømrisko. Strømselskaber kan træffe mere informerede beslutninger om implementering af en offentlig sikkerhedsafbrydelse af strømmen. Derudover kan forvaltningsmyndigheder for jord beslutte, om de skal begrænse adgangen til offentlige områder på bestemte tidspunkter af året.
Ifølge Fleishman er mange politikker styret af følelser i stedet for en stor mængde beviser. Databasen præsenterer “en måde at øge de objektive beviser, der skal overvejes, når man træffer disse beslutninger,” sagde hun.
Publiceret i tidsskriftet Earth System Science Data, forskning, der beskriver databasen, blev støttet af Joint Fire Science Program. Den beskrev biologiske, sociale og fysiske egenskaber for at opnå en forbedret forståelse af skovbrande samt forudsigelse.
I alt tilføjede forskerholdet, som omfattede Fleishman, der leder Oregon Climate Change Research Institute, og blev ledet af Mojtaba Sadegh og Yavar Pourmohamad, henholdsvis en lektor og en doktorand ved Boise State University, næsten 270 yderligere attributter. Nu indeholder databasen information om 2,3 millioner brande i USA fra 1992 til 2020.
Under den reviderede database har hver skovbrand nu fysiske attributter såsom vejr, klima, topografi og infrastruktur; biologiske attributter som vegetation indeks og jorddække; administrative attributter, der dækker nationalt og regionalt beredskabsniveau og jurisdiktion; samt sociale attributter inklusive social sårbarhedsindeks og befolkningstæthed.
Den sjette version af FPA FOD blev yderligere udvidet med opsummerende statistik inden for en tidsmæssig og rumlig buffer omkring antændelsespunktet og vegetation indekser indhentet månedligt fra satellitter i løbet af et år før antændelsen. “Dette rige, tabelbaserede datasæt kan bruges i en række hypotese-drevne eller data-eksplorationsapplikationer,” sagde undersøgelsen.
En så massiv database vil hjælpe med at give en betydeligt dybere forståelse af den individuelle og samlede indvirkning af attributterne på brandantændelser og størrelse, sagde Pourmohamad og tilføjede:
“Den identificerer også de ulige virkninger af skovbrande på forskellige menneskelige befolkninger og økosystemer, hvilket kan informere bestræbelser på at reducere uligheder.”
Databasen kan også indarbejdes i AI- og maskinlæringsmodeller, der forklarer faktorerne bag tidligere brande, sandsynligheden for fremtidige brande og virkningerne af fremtidige brande. Hun sagde:
“Det er fantastisk, hvad du kan udlede, når du har den beregningskapacitet og så meget information. Du kan stille mange spørgsmål, der informerer forskellige handlinger på forskellige steder og for at forstå, hvad der er forbundet med brandantændelser og brandvirkninger.”
Afsluttende tanker
Vildområder såsom skove eller græsarealer er integrerede i menneskelig velstand. De afbøder klimaændringer ved at lagre kulstof, bevare levesteder for vilde dyr og styrke landskabets modstandsdygtighed. Disse vildområder har altid været udsat for skovbrande, men i løbet af de sidste årtier er de steget så meget, at skovbrande er blevet en trussel.
Disse massive, uplanlagte brande ødelægger jord over hele verden og kræver en bedre forståelse, vurdering og analyse af tidligere brande, deres succesfulde forebyggelse og afbødningsstrategier for ikke kun at forhindre skovbrande, men også forbedre brandplanlægning, respons, tilpasning, omkostningseffektiv afbødning og begrænsning af de negative virkninger.
Som vi bemærkede ovenfor, forbedrer myndighederne konstant databaser, som derefter kan indarbejdes i AI-modeller for at forklare brandrisiko og deres fremtidige virkninger. Disse veltestede AI-modeller kan derefter anvendes i kombination med satellitbilleder for præcist at forudsige og forhindre fremtidige skovbrande. På denne måde kan vi beskytte vores vildområder, sikre biodiversiteten og berige liv for kommende generationer.
Klik her for at lære alt om investering i kunstig intelligens.
