Mellom AI og en voksende ‘Forekomstdatabase’ kan trusselen fra skogbranner bli redusert

For øyeblikket ødelegger en raskt bevegende skogbrann en del av den gamle fjellbyen Jasper i de kanadiske Rocky Mountains. Skadene i Jasper beskrives som «utenfor beskrivelse og forståelse», og 25 000 mennesker har allerede blitt tvunget til å flykte. 

Kjempebranner har ødelagt opptil halvparten av den historiske kanadiske byen Jasper. Samtidig er hundrevis av branner aktive i nabofylket British Columbia samt i California og Utah.

Hvert år blir tusenvis av mennesker rammet av skogbranner, med byer som blir brent ned. I USA har 344 betydelige skogbranner i løpet av de siste fem årene drept 178 personer. Samtidig har landet siden 1980-tallet hatt i gjennomsnitt rundt 70 000 branner per år. Ifølge National Interagency Fire Center (NIFC) har totalt 2,7 millioner skogbranner funnet sted siden 1983.

Etter hvert som antallet branner fortsetter å øke, har også kostnadene for å bekjempe dem steget. Den amerikanske regjeringen brukte nesten 4,4 milliarder dollar på å slukke skogbranner i 2021 alene. I gjennomsnitt koster det rundt 74 000 dollar å slukke hver brann. Men det er ikke alt; forsikringspremier for boligeiere øker også.

Skogbranner har økt globalt, ikke bare i hyppighet, men også i alvorlighetsgrad og varighet. Risikoen for skogbrann er størst under ekstremt tørre forhold som kraftig vind, tørke og hetebølger. Dette medfører en økende negativ påvirkning på menneskers og dyrelivets helse. 

I tillegg til ødeleggelsen forårsaket av selve brannen, inneholder røyken fra skogbranner farlige luftforurensninger som NO2, ozon, aromatiske hydrokarboner, bly eller PM2.5, som er partikler med en diameter på 2,5 mikrometer eller mindre. PM2.5 er så fin at den kan trenge dypere inn i luftveiene våre og forårsake helseeffekter.

PM2.5 fra skogbrannrøyk er faktisk knyttet til for tidlig død i befolkningen generelt. Den kan forårsake og forverre sykdommer i lungene, nyrene, hjertet, huden, tarmen, øynene, nesen og leveren. Den har også blitt vist å føre til kognitiv svekkelse og hukommelsestap. 

Ikke bare forurenser skogbranner luften med giftige forurensninger, de påvirker også klimaet ved å slippe store mengder CO2 og andre klimagasser ut i atmosfæren. Ved å dekke jorden, fanger klimagassutslipp faktisk solens varme og gjør den ubeboelig. For mye av dette fører til klimaendringer, som igjen gir tørrere forhold, og bidrar til lengre brannsesonger. Dermed skapes en selvforsterkende kretsløp.

Etter hvert som skogbranner blir stadig mer ekstreme i intensitet og skadeomfang, kan de forstyrre infrastrukturen for kommunikasjon, transport, strømforsyning, gassleveranser og vannforsyning. I tillegg påvirker de i nærheten av befolkede områder betydelig eiendom, husdyr, menneskelig dødelighet og miljøet.

I fjor beregnet en studie av forskere ved University of Maryland at skogbranner nå fører til 3 millioner flere hektar tap av tredekke per år sammenlignet med 2001. Med 9,3 millioner hektar tap av tredekke globalt, ble 2021 ett av de verste årene.

Det er ikke slik at branner ikke er en naturlig del av hvordan skoger fungerer. Faktisk er boreale skoger, som dekker store landområder i Nord‑Europa, Russland, Alaska og Canada, tilpasset brann. Brann skaper ulike landskap og fjerner gamle skoger, og gir liv til nye.

Imidlertid skjer tap av tredekke relatert til brann, selv i disse områdene, i et akselerert tempo. Med boreale skoger som blant verdens ledende leverandører av rent vann, som huser betydelige dyrelivspopulasjoner, og som en viktig karbonlagring, er den pågående trenden med skogbranner bekymringsfull og må tas tak i.

Klikk her for en liste over bioteknologiselskaper som jobber med løsninger for å bekjempe global oppvarming.

Utnyttelse av AI-modeller i kombinasjon med satellittbilder 

En av måtene problemet med skogbranner blir taklet på er gjennom bruk av kunstig intelligens (AI). Denne nye teknologien brukes ikke bare til chat‑bots og virtuelle assistenter, men også for å hjelpe miljøet gjennom avansert fjernmåling.

Nylig hjalp AI brannmenn reagere raskt på en skogbrann i et avsidesliggende område i Bay Area, California. Skogbrannen ble stoppet før den spredte seg med hjelp av et AI-drevet kamera som oppdaget røyk og informerte brannmannskapene før flammen fikk vokse og ble vanskelig å kontrollere.

Selv forsikringsselskaper vender seg til AI. Det i San Francisco baserte selskapet Delos Insurance Solutions har solgt over 17 000 poliser til boligeiere, som andre firmaer har avvist. Dette har blitt mulig gjennom selskapets skogbrannmodeller, hvor Delos samarbeider med universitetsprofessorer for å få proprietære datasett om skogbrannmodellering og deretter legger til en AI‑algoritme for å innlemme mer data. Ifølge medgründer Shanna McIntyre vurderer Delos over 200 variabler som dekker vegetasjon, topografi og temperatur. 

Det er tydelig en økende fokus på utviklingen av høyoppløselige modeller for skogbrannatferd for å forutsi brannspredning. 

Dette gjøres i samarbeid med satellitter for å oppdage brannlokasjoner. Mens satellitter som LANDSAT, VHRS og MODIS allerede brukes til å overvåke fordeling og forstyrrelse av vegetasjon, er prediksjon av skogbranner fortsatt en utfordrende oppgave. AI og maskinlæring kan bidra til å gi en pålitelig metode for å forutsi og håndtere skogbranner.

For eksempel kan AI kobles med bildesatellitter som analyserer ulike faktorer som røykutvikling, brannhendelser og vegetasjonsforstyrrelser. Ved å kombinere all data sammen kan AI‑algoritmer hjelpe med å forutsi skogbranner gjennom kontinuerlig læring. AI‑teknologi kan også muliggjøre styring av brannslukkingsutstyr og patruljebil med videokameraer.

For ett år siden begynte et team av forskere fra Aalto‑universitetet i Finland å utvikle en AI‑modell kalt FireCNN som kan forutsi spredning av skogbranner. Modellen er trent på satellittbilder og værdata registrert mellom 2002 og 2019 for å identifisere høy‑risikoområder. FireCNN analyserer 31 variabler, inkludert faktorer som vegetasjon og landdekke.

Det er imidlertid mangel på AI‑algoritmer som kan korrelere all tilgjengelig data og realistiske modelleringsmetoder som passer behovene til ulike landskap over hele verden. 

Ifølge en ny studie kan en ny modell nøyaktig forutsi spredning av skogbranner. Modellen kombinerer satellittbilder og AI for å tilby et betydelig fremskritt innen skogbrannhåndtering og nødhjelpsrespons.

Studien, finansiert av NASA, Army Research Office og Viterbi CURVE‑programmet, ble utført av forskere ved USC og publisert i Earth System Science Data. 

Under denne nye modellen brukes satellittdata til å spore utviklingen av skogbranner i sanntid. Denne informasjonen mates inn i en sofistikert datamodell som kan nøyaktig forutsi den sannsynlige banen til brannen samt dens intensitet og veksthastighet.

“Denne modellen representerer et viktig skritt fremover i vår evne til å bekjempe skogbranner. Ved å tilby mer presise og tidsriktige data, styrker verktøyet vårt innsatsen til brannmenn og evakueringslag som kjemper mot skogbranner i frontlinjen. 

– Bryan Shaddy, medforfatter av studien og doktorgradsstudent ved USC Viterbi School of Engineering

Studien startet med å samle historiske data fra høyoppløselige satellittbilder. Deretter, gjennom atferdsanalyse av tidligere skogbranner, sporet forskerne hvordan brannen startet, spredte seg, og til slutt ble innelukket. 

Denne grundige studien avdekket mønstre som påvirkes av faktorer som terreng, vær og brensel, som trær og buskas.

Forskerne trente deretter en generativ AI‑drevet modell for å simulere hvordan disse faktorene påvirker skogbrannens utvikling over tid. Modellen ble så trent til å gjenkjenne mønstre i satellittbildene som samsvarer med skogbrannspredning i deres modell.

Modellen kalles et betinget Wasserstein Generative Adversarial Network eller cWGAN, som allerede er testet på fire reelle skogbranner i California over to år, mellom 2020 og 2022, for å se hvor effektiv den er i å forutsi brannspredning. Trent med WRF‑SFIRE‑simuleringer brukes cWGAN til å beregne ankomsttidspunktet for brannen fra satellittdata om aktive branner. 

Resultatene fra cWGAN var imponerende. Trent på enkel data under ideelle forhold, som ensrettet vind og flatt terreng, presterte modellen godt i reelle skogbranner i California.

Modellens suksess tilskrives bruken av AI‑modellen sammen med satellittbilder, som leverte faktiske skogbranndata i stedet for kun modellen alene.

Dette har imidlertid ikke vært enkelt. Studienes medforfatter Assad Oberai, professor i luft‑ og romfart samt maskinteknikk ved USC Viterbi, uttalte at modellering av skogbranner var blant de mest utfordrende på grunn av deres “intricate processes”.

Ikke bare antennes brensel som trær og busker, noe som fører til komplekse kjemiske reaksjoner, produserer varme og vindstrømmer, men også vær og topografi påvirker brannatferd. Assad sa:

“Dette er svært komplekse, kaotiske og ikke‑lineære prosesser. For å modellere dem nøyaktig, må du ta hensyn til alle disse ulike faktorene. Du trenger avansert databehandling.”  

Forbedrede data for AI-modeller

I tillegg til fremskritt innen AI‑teknologi, blir dataene som brukes til å trene disse modellene også forbedret ved å dekke hundrevis av ekstra faktorer som påvirker antenning og spredning av brann. Dette vil hjelpe forvaltere av dyrelivet og forskere med å lage mer nøyaktige spådommer om hvor og når skogbranner kan oppstå.

Nylig ble Fire Program Analysis Fire-Occurrence Database (FPA FOD), som er den mest omfattende kilden til data om georefererte brannantennelser i USA, betydelig forbedret. Først utviklet i 2013 av US Forest Service, har modellen blitt oppdatert fem ganger. Den samler brannrapporter fra lokale, statlige og føderale enheter med ansvar for brannvern og rapportering.

Modellen inneholder grunnleggende informasjon som antenningssted, oppdagelsesdato og størrelsen på den endelige skogbrannen. Den reviderte databasen vil imidlertid dekke enda flere sosiale og miljømessige faktorer. Ifølge Erica Fleishman, professor ved Oregon State University:

“Det er en enorm interesse for hva som gjør det mulig for skogbrannantennelser og hva som kan gjøres for å forhindre dem. Denne databasen øker muligheten til å få tilgang til relevant informasjon og bidra til beredskap og forebygging av skogbranner.”

Denne forbedrede databasen vil ikke bare hjelpe brannmenn og ledere på bakken med å bekjempe brannen, men den kan også bidra til å vurdere kortsiktig strømrisk. Strømselskaper kan ta mer informerte beslutninger om å innføre en offentlig sikkerhetsstrømutkobling. Videre kan forvaltningsorganer bestemme om de skal begrense tilgang til offentlige områder på bestemte tider av året.

Ifølge Fleishman er mange retningslinjer styrt av følelser i stedet for en omfattende evidensbase. Databasen presenterer “en måte å øke den objektive evidensen som bør vurderes når man tar disse beslutningene,” sa hun. 

Publisert i tidsskriftet Earth System Science Data, forskningen som beskriver databasen ble støttet av Joint Fire Science Program. Den beskrev biologiske, sosiale og fysiske attributter for å oppnå en forbedret forståelse av skogbranner samt prediksjon. 

Totalt la forskerteamet, som inkluderte Fleishman, som leder Oregon Climate Change Research Institute, og ble ledet av Mojtaba Sadegh og Yavar Pourmohamad, henholdsvis førsteamanuensis og doktorgradsstudent ved Boise State University, til nesten 270 ekstra attributter. Nå inneholder databasen informasjon om 2,3 millioner branner i USA fra 1992 til 2020.

I den reviderte databasen har hver skogbrann nå fysiske attributter som vær, klima, topografi og infrastruktur; biologiske attributter som vegetasjonsindeks og landdekning; administrative attributter som dekker nasjonalt og regionalt beredskapsnivå og jurisdiksjon; og sosiale attributter inkludert sosial sårbarhetsindeks og befolkningstetthet.

Den sjette versjonen av FPA FOD ble ytterligere utvidet med sammendragstatistikk innenfor en tidsmessig og romlig buffer rundt antenningspunktet og vegetasjonsindekser innhentet månedlig fra satellitter i løpet av året før antenningen. “Dette rike, tabulære datasettet kan brukes i en rekke hypotesedrevne eller datautforskningsapplikasjoner,” sa studien.

En så massiv database vil bidra til å gi en betydelig dypere forståelse av den individuelle og sammensatte påvirkningen av attributtene på skogbrannantennelser og størrelse, sa Pourmohamad, og la til:

“Den identifiserer også de ulikt påvirkede effektene av skogbranner på ulike menneskelige befolkninger og økosystemer, noe som igjen kan informere innsatsen for å redusere ulikheter.”

Databasen kan også innlemmes i AI‑ og maskinlæringsmodeller som forklarer faktorene som driver tidligere branner, sannsynligheten for fremtidige branner og effektene av fremtidige branner. Hun sa:

“Det er fantastisk hva du kan utlede når du har den beregningskapasiteten og så mye informasjon. Du kan stille mange spørsmål som informerer ulike handlinger på forskjellige steder og for å forstå hva som er knyttet til skogbrannantennelser og branneffekter.”

Avsluttende tanker

Villmark som skoger eller gressletter er integrert i menneskelig velstand. Tross alt demper de klimaendringer ved å lagre karbon, bevare dyrelivshabitat og styrke landskapets motstandskraft. Disse villområdene har alltid vært utsatt for skogbranner, men i løpet av de siste tiårene har de økt så mye at skogbranner har blitt en trussel. 

Disse massive, uplanlagte brannene herjer land over hele verden, og krever en bedre forståelse, vurdering og analyse av tidligere branner, deres vellykkede forebygging og avbøtende strategier for ikke bare å forhindre skogbranner, men også forbedre brannplanlegging, respons, tilpasning, kostnadseffektiv avbøting og begrensning av de negative virkningene.

Som vi nevnte ovenfor, forbedrer myndighetene kontinuerlig databaser, som deretter kan innlemmes i AI‑modeller for å forklare sannsynligheten for brann og deres fremtidige effekter. Disse velprøvde AI‑modellene kan så brukes i kombinasjon med satellittbilder for å forutsi og forhindre fremtidige skogbranner nøyaktig. På denne måten kan vi beskytte vår villmark, sikre biologisk mangfold og berike liv for kommende generasjoner.

Klikk her for å lære alt om investering i kunstig intelligens.