Kunstmatige intelligentie
Tussen AI en een groeiende ‘Incidentendatabase’ kan de dreiging van bosbranden afnemen
Voeg Securities.io toe aan je voorkeursbronnen op Google
Momenteel vernietigt een snelbewegende bosbrand een deel van een oud bergstadje genaamd Jasper in de Canadese Rockies. De schade in Jasper wordt beschreven als “buiten beschrijving en begrip”, en al zijn 25.000 mensen gedwongen te vluchten.
Grote bosbranden hebben tot de helft van het historische Canadese stadje Jasper verwoest. Tegelijkertijd zijn er honderden branden actief in het naburige British Columbia, evenals in Californië en Utah.
Elk jaar krijgen duizenden mensen de dupe van bosbranden, waarbij steden door vuur worden verbrand. In de VS hebben de afgelopen vijf jaar 344 significante bosbranden 178 mensen gedood. Sinds de jaren 80 heeft het land gemiddeld ongeveer 70.000 branden per jaar. Volgens het National Interagency Fire Center (NIFC) hebben sinds 1983 in totaal 2,7 miljoen bosbranden plaatsgevonden.
Naarmate het aantal branden blijft toenemen, stijgt ook de kostprijs om ze te bestrijden. De Amerikaanse overheid besteedde alleen al in 2021 bijna $4,4 miljard aan de bestrijding van bosbranden. Gemiddeld kost het ongeveer $74.000 om elke bosbrand te blussen. Maar dat is niet alles; de premies voor huiseigenarenverzekeringen stijgen ook.
Bosbranden nemen wereldwijd toe, niet alleen in frequentie maar ook in ernst en duur. Het risico op bosbranden is vooral aanwezig bij extreem droge omstandigheden zoals harde wind, droogte en hittegolven. Dit betekent een groeiende negatieve impact op de gezondheid van mens en wildlife.
Naast de vernietiging door het vuur zelf, bevat de rook van bosbranden gevaarlijke luchtverontreinigende stoffen zoals NO2, ozon, aromatische koolwaterstoffen, lood of PM2,5, deeltjes met een diameter van 2,5 micron of minder. PM2,5 is zo fijn dat het dieper in ons ademhalingsstelsel kan doordringen en gezondheidsproblemen kan veroorzaken.
PM2,5 uit bosbrandrook wordt geassocieerd met vroegtijdige sterfte in de algemene bevolking. Het kan ziekten veroorzaken en verergeren van de longen, nieren, hart, huid, darmen, ogen, neus en lever. Het is bovendien aangetoond dat het leidt tot cognitieve achteruitgang en geheugenverlies.
Bosbranden vervuilen niet alleen de lucht met giftige verontreinigende stoffen, maar beïnvloeden ook het klimaat door grote hoeveelheden CO2 en andere broeikasgassen in de atmosfeer vrij te geven. Door de aarde te “blanken” houden de uitstoot van broeikasgassen de warmte van de zon vast en maken de aarde onbewoonbaar. Te veel hiervan leidt tot klimaatverandering, wat leidt tot drogere omstandigheden, wat op zijn beurt bijdraagt aan langere brandseizoenen. Hierdoor ontstaat een terugkoppelingslus.
Naarmate bosbranden steeds extremer worden in intensiteit en schade, kunnen ze de infrastructuur verstoren op het gebied van communicatie, transport, stroomvoorziening, gasdiensten en watervoorziening. Bovendien hebben ze in dichtbevolkte gebieden een aanzienlijke impact op eigendommen, vee, menselijke sterfte en het milieu.
Vorig jaar berekende een studie van onderzoekers aan de University of Maryland dat bosbranden nu jaarlijks 3 miljoen hectare meer aan boomdekking verliezen vergeleken met 2001. Door wereldwijd 9,3 miljoen hectare aan boomdekking te verliezen, werd 2021 een van de slechtste jaren.
Het is niet zo dat branden geen natuurlijk onderdeel zijn van hoe bossen functioneren. Boreale bossen, die uitgestrekte gebieden beslaan in Noord-Europa, Rusland, Alaska en Canada, zijn aangepast aan vuur. Vuur creëert een verscheidenheid aan landschappen en verwijdert oude bossen, waardoor nieuwe ontstaan.
Echter, boomdekkingverlies door brand, zelfs in deze gebieden, gebeurt in een versneld tempo. Aangezien boreale bossen tot de belangrijkste leveranciers van schoon water behoren, een aanzienlijke wildlife-populatie herbergen en een belangrijke koolstofput zijn, is de voortdurende trend van bosbranden zorgwekkend en moet deze worden aangepakt.
Het benutten van AI-modellen in combinatie met satellietbeelden
Een van de manieren waarop het probleem van bosbranden wordt aangegaan is via het gebruik van kunstmatige intelligentie (AI). Deze nieuwe technologie wordt niet alleen gebruikt voor chatbots en virtuele assistenten, maar ook om het milieu te helpen via geavanceerde remote sensing.
Onlangs heeft AI brandweerlieden geholpen snel te reageren op een bosbrand in een afgelegen gebied van de Bay Area, Californië. De bosbrand werd gestopt voordat hij zich verspreidde met behulp van een AI-aangedreven camera, die rook detecteerde en de brandweerteams informeerde voordat de vlammen konden groeien en moeilijk te beheersen werden.
Zelfs verzekeraars wenden zich tot AI. Het in San Francisco gevestigde Delos Insurance Solutions heeft meer dan 17.000 polissen aan huiseigenaren verkocht, die andere bedrijven hebben afgewezen. Dit is mogelijk gemaakt door de bosbrandmodellen van het bedrijf, waarvoor Delos samenwerkt met universiteitsprofessoren om propriëtaire datasets over bosbrandmodellering te verkrijgen en vervolgens een AI-algoritme toevoegt om meer gegevens te integreren. Volgens medeoprichter Shanna McIntyre houdt Delos rekening met meer dan 200 variabelen die vegetatie, topografie en temperatuur omvatten.
Er is duidelijk een groeiende focus op de ontwikkeling van hoogresolutie-modellen voor bosbrandgedrag om de verspreiding van het vuur te voorspellen.
Dit gebeurt in samenwerking met satellieten om brandlocaties te detecteren. Terwijl satellieten zoals LANDSAT, VHRS en MODIS al worden gebruikt voor het monitoren van de verspreiding en verstoring van vegetatie, blijft het voorspellen van bosbranden een uitdagende taak. AI en machine learning kunnen helpen een betrouwbare manier te bieden om bosbranden te voorspellen en te beheren.
Bijvoorbeeld kan AI worden gekoppeld aan beeldsatellieten die verschillende factoren analyseren, zoals rookontwikkeling, brandincidenten en vegetatieverstoring. Door alle gegevens te combineren, kunnen AI-algoritmen helpen bosbranden te voorspellen via continu leren. AI-technologie kan bovendien het beheer van brandblussers en patrouillevoertuigen met videocamera’s mogelijk maken.
Een jaar geleden begon een team van onderzoekers van de Aalto Universiteit in Finland met de ontwikkeling van een AI-model genaamd FireCNN dat de verspreiding van bosbranden kan voorspellen. Het model is getraind op satellietbeelden en weergegevens die tussen 2002 en 2019 zijn geregistreerd om hoog-risicogebieden te identificeren. FireCNN analyseert 31 variabelen, waaronder factoren zoals vegetatie en landbedekking.
Er is echter een gebrek aan AI-algoritmen die alle beschikbare gegevens kunnen correleren en realistische modelleringsmethodologieën die passen bij de behoeften van verschillende landschappen wereldwijd.
Volgens een nieuwe studie kan een nieuw model de verspreiding van bosbranden nauwkeurig voorspellen. Het model combineert satellietbeelden en AI om een belangrijke vooruitgang te bieden in het beheer van bosbranden en noodhulp.
De studie, gefinancierd door NASA, het Army Research Office en het Viterbi CURVE-programma, werd uitgevoerd door USC-onderzoekers en gepubliceerd in Earth System Science Data.
Onder dit nieuwe model wordt satellietdata gebruikt om de voortgang van bosbranden in realtime te volgen. Deze informatie wordt ingevoerd in een geavanceerd computeralgoritme dat nauwkeurig de waarschijnlijke route van het vuur, evenals de intensiteit en groeisnelheid, kan voorspellen.
“Dit model vertegenwoordigt een belangrijke stap vooruit in ons vermogen om bosbranden te bestrijden. Door meer nauwkeurige en tijdige gegevens te bieden, versterkt ons hulpmiddel de inspanningen van brandweerlieden en evacuatie-teams die aan de frontlinie tegen bosbranden vechten.”
– Bryan Shaddy, een corresponderende auteur van de studie en een doctoraalstudent aan de USC Viterbi School of Engineering
De studie begon met het verzamelen van historische gegevens van hoge-resolutie satellietbeelden. Vervolgens volgden de onderzoekers, via gedragsanalyse van eerdere bosbranden, hoe het vuur begon, zich verspreidde, en uiteindelijk werd ingedamd.
Deze zorgvuldige studie onthulde patronen die worden beïnvloed door factoren zoals terrein, weer en brandstof, zoals bomen en struiken.
De onderzoekers trainden vervolgens een door generatieve AI aangedreven model om te simuleren hoe deze factoren de evolutie van bosbranden in de loop van de tijd beïnvloeden. Het model werd vervolgens getraind om patronen in de satellietbeelden te herkennen die overeenkomen met de verspreiding van bosbranden in hun model.
Het model wordt een conditional Wasserstein Generative Adversarial Network of cWGAN genoemd, dat al is getest op vier echte bosbranden in Californië over twee jaar, tussen 2020 en 2022, om te zien hoe effectief het is in het voorspellen van de brandverspreiding. Getraind met WRF-SFIRE-simulaties, wordt cWGAN gebruikt om de aankomsttijd van het vuur te berekenen op basis van satellietactieve brandgegevens.
De resultaten van cWGAN waren indrukwekkend. Getraind op eenvoudige gegevens onder ideale omstandigheden, zoals unidirectionele wind en vlak terrein, presteerde het model goed bij echte bosbranden in Californië.
Het succes van het model wordt toegeschreven aan het gebruik van het AI-model in combinatie met satellietbeelden, die feitelijke bosbrandgegevens leverden in plaats van alleen.
Dit is echter niet gemakkelijk geweest. Mede-auteur van de studie, Assad Oberai, een professor in Lucht- en Ruimtevaart- en Werktuigbouwkunde aan de USC Viterbi, stelde dat het modelleren van bosbranden tot de meest uitdagende behoort vanwege hun “ingewikkelde processen”.
Niet alleen brandstof, zoals bomen en struiken, ontbrandt, wat leidt tot complexe chemische reacties, warmte en windstromen produceert, maar zelfs weer en topografie beïnvloeden het brandgedrag. Assad zei:
“Dit zijn zeer complexe, chaotische en niet-lineaire processen. Om ze nauwkeurig te modelleren, moet je al deze verschillende factoren in overweging nemen. Je hebt geavanceerde rekenkracht nodig.”
Verbeterde gegevens voor AI-modellen
Naast de vooruitgang in AI-technologie worden de gegevens om deze modellen te trainen ook verbeterd door honderden extra factoren te omvatten die van invloed zijn op de ontsteking en verspreiding van vuur. Dit zal wildbeheerders en wetenschappers helpen nauwkeurigere voorspellingen te doen over waar en wanneer bosbranden kunnen plaatsvinden.
Recentelijk is de Fire Program Analysis Fire-Occurrence Database (FPA FOD), de meest uitgebreide bron van gegevens over gegeorefereerde brandontstekingen in de VS, aanzienlijk verbeterd. Voor het eerst ontwikkeld in 2013 door de US Forest Service, is het model vijf keer bijgewerkt en verzamelt brandrapporten van lokale, staats- en federale instanties met brandbeschermings- en rapportageverantwoordelijkheden.
Het model omvat basisinformatie zoals de locatie van de ontsteking, de datum van ontdekking en de omvang van de uiteindelijke bosbrand. De herziene database zal echter nog meer sociale en milieufactoren omvatten. Volgens Erica Fleishman, professor aan de Oregon State University:
“Er is een enorme belangstelling voor wat bosbrandontstekingen mogelijk maakt en wat er kan worden gedaan om ze te voorkomen. Deze database vergroot de mogelijkheid om relevante informatie te raadplegen en bij te dragen aan de voorbereiding en preventie van bosbranden.”
Deze verbeterde database zal niet alleen brandweerlieden en managers op de grond helpen bij het bestrijden van het vuur, maar kan ook helpen bij het beoordelen van kortetermijnrisico’s voor de stroomvoorziening. Energiebedrijven kunnen beter onderbouwde beslissingen nemen over het implementeren van een openbare veiligheidsstroomonderbreking. Bovendien kunnen landbeheerinstanties bepalen of ze de toegang tot openbaar land tijdens bepaalde periodes van het jaar moeten beperken.
Volgens Fleishman worden veel beleidsmaatregelen geleid door emoties in plaats van een grote hoeveelheid bewijs. De database biedt “een manier om het objectieve bewijs te vergroten dat in overweging moet worden genomen bij het nemen van die beslissingen,” zei ze.
Gepubliceerd in het tijdschrift Earth System Science Data, beschrijft het onderzoek dat de database ondersteund werd door het Joint Fire Science Program. Het schetste biologische, sociale en fysieke kenmerken om een beter begrip van bosbranden en hun voorspelling te verkrijgen.
In totaal voegde het onderzoeksteam, waartoe Fleishman, die het Oregon Climate Change Research Institute leidt, en dat werd geleid door Mojtaba Sadegh en Yavar Pourmohamad, respectievelijk een universitair hoofddocent en een doctoraalstudent aan de Boise State University, bijna 270 extra attributen toe. Nu bevat de database informatie over 2,3 miljoen branden in de VS van 1992 tot 2020.
Volgens de herziene database heeft elke bosbrand nu fysieke attributen zoals weer, klimaat, topografie en infrastructuur; biologische attributen zoals vegetatie-index en landbedekking; administratieve attributen die het nationale en regionale paraatheidsniveau en jurisdictie omvatten; en sociale attributen waaronder de sociale kwetsbaarheidsindex en bevolkingsdichtheid.
De zesde versie van FPA FOD werd verder uitgebreid met samenvattende statistieken binnen een temporele en spatiale buffer rond het ontstekingspunt en vegetatie-indexen die maandelijks van satellieten werden verkregen gedurende een jaar vóór de ontsteking. “Deze rijke, tabelvormige dataset kan worden gebruikt in diverse hypothese-gedreven of data-exploratie toepassingen,” aldus de studie.
Zo’n enorme database zal, volgens Pourmohamad, een aanzienlijk dieper inzicht bieden in de individuele en samengestelde impact van de attributen op bosbrandontstekingen en omvang, toevoegend:
“Het identificeert ook de ongelijke effecten van bosbranden op verschillende menselijke populaties en ecosystemen, wat op zijn beurt inspanningen kan informeren om ongelijkheden te verminderen.”
De database kan ook worden geïntegreerd in AI- en machine learning-modellen die de factoren verklaren die eerdere branden aandrijven, de waarschijnlijkheid van toekomstige branden en de effecten van toekomstige branden. Ze zei:
“Het is verbazingwekkend wat je kunt afleiden wanneer je de rekenkracht en zoveel informatie hebt. Je kunt veel vragen stellen die verschillende acties op verschillende plaatsen informeren en begrijpen wat geassocieerd is met bosbrandontstekingen en brandeffecten.”
Slotbeschouwing
Natuurgebieden zoals bossen of graslanden zijn essentieel voor het menselijk welzijn. Ze beperken tenslotte de klimaatverandering door koolstof op te slaan, habitats voor wildlife te behouden en de veerkracht van landschappen te versterken. Deze natuurgebieden zijn altijd onderhevig geweest aan bosbranden, maar in de afgelopen decennia zijn ze zo sterk toegenomen dat bosbranden een bedreiging zijn geworden.
Deze enorme, ongeplande branden teisteren land over de hele wereld en vragen om een beter begrip, beoordeling en analyse van eerdere branden, hun succesvolle preventie en mitigatiestrategieën, niet alleen om bosbranden te voorkomen, maar ook om brandplanning, respons, aanpassing, kosteneffectieve mitigatie en het beperken van de nadelige impact te verbeteren.
Zoals hierboven opgemerkt, verbeteren autoriteiten voortdurend databases, die dan kunnen worden geïntegreerd in AI-modellen om brandkansen en hun toekomstige effecten te verklaren. Deze goed geteste AI-modellen kunnen vervolgens in combinatie met satellietbeelden worden gebruikt om toekomstige bosbranden nauwkeurig te voorspellen en te voorkomen. Op deze manier kunnen we onze natuurgebieden beschermen, de biodiversiteit veiligstellen en het leven van toekomstige generaties verrijken.
Klik hier om alles te leren over investeren in kunstmatige intelligentie.
