Artipisyal na Intelihensiya
Sa Gitna ng AI at Lumalagong ‘Occurrence Database,’ Maaaring Mabababa ang Banta ng mga Sunog sa Gubat
Idagdag ang Securities.io sa mga gusto mong mapagkunan sa Google
Sa kasalukuyan, isang mabilis na gumagalaw na sunog sa kagubatan ang sumisira sa bahagi ng isang lumang bayan sa bundok na tinatawag na Jasper sa Canadian Rockies. Ang pinsala sa Jasper ay inilarawan bilang “lampas sa paglalarawan at pag-unawa,” at 25,000 katao na ang napilitang lumikas.
Ang malalaking sunog sa kagubatan ay sumira ng hanggang kalahati ng makasaysayang bayan ng Jasper sa Canada. Kasabay nito, daan-daang apoy ang aktibo sa kalapit na British Columbia pati na rin sa California at Utah.
Bawat taon, libu-libong tao ang tumatanggap ng pinakamabigat na pasanin mula sa mga sunog sa kagubatan, kung saan nasusunog ang mga bayan. Sa US, sa nakalipas na limang taon, 344 na makabuluhang sunog sa kagubatan ang nakapatay ng 178 katao. Samantala, mula noong 1980s, ang bansa ay may average na humigit-kumulang 70,000 na kabuuang sunog bawat taon. Ayon sa National Interagency Fire Center (NIFC), umabot na sa 2.7 milyong sunog sa kagubatan ang naganap mula 1983.
Habang patuloy na dumarami ang bilang ng mga sunog, tumataas din ang gastos sa paglaban dito. Ang pamahalaan ng US ay gumastos ng halos $4.4 bilyon sa paglaban sa mga sunog sa kagubatan noong 2021 lamang. Sa average, tumataya ng humigit-kumulang $74,000 para patayin ang bawat sunog. Ngunit hindi ito lahat; tumataas din ang mga rate ng insurance ng mga may-ari ng bahay.
Ang mga sunog sa kagubatan ay tumataas sa buong mundo hindi lamang sa dalas kundi pati na rin sa tindi at tagal. Ang panganib ng sunog sa kagubatan ay kadalasang nangyayari sa napaka-tuyong kondisyon tulad ng malalakas na hangin, tagtuyot, at heat wave. Ibig sabihin nito ay lumalalang negatibong epekto sa kalusugan ng tao at wildlife.
Bukod sa pinsalang dulot ng mismong apoy, ang usok mula sa mga sunog sa kagubatan ay binubuo ng mapanganib na pollutant sa hangin tulad ng NO2, ozone, aromatic hydrocarbons, lead, o PM2.5, na mga particle na may diyametro na 2.5 microns o mas mababa. Ang PM2.5 ay napakaliit na maaaring makalusot nang mas malalim sa ating respiratory tract at magdulot ng mga epekto sa kalusugan.
Ang PM2.5 mula sa usok ng sunog sa kagubatan ay talagang nauugnay sa maagang pagkamatay sa pangkalahatang populasyon. Maaari itong magdulot at magpalala ng mga sakit sa baga, bato, puso, balat, bituka, mata, ilong, at atay. Ipinakita pa ito na nagdudulot ng pagkasira ng kognisyon at pagkawala ng memorya.
Hindi lamang nilalason ng mga sunog sa kagubatan ang hangin ng mga nakalalasong pollutant, kundi nakakaapekto rin ito sa klima sa pamamagitan ng paglabas ng malaking dami ng CO2 at iba pang greenhouse gases sa atmospera. Sa pamamagitan ng pagtakip sa Daigdig, ang mga greenhouse gas emissions ay aktwal na humahadlang sa init ng araw at ginagawang hindi matitirhan. Ang labis na dami nito ay nagdudulot ng pagbabago ng klima, na nagreresulta sa mas tuyo na kondisyon, na lalong nag-aambag sa mas mahabang tagal ng mga season ng sunog. Kaya lumilikha ng feedback loop.
Sa paglala ng tindi at pinsala ng mga sunog sa kagubatan, maaari nilang guluhin ang imprastruktura tulad ng komunikasyon, transportasyon, suplay ng kuryente, serbisyong gas, at suplay ng tubig. Higit pa rito, malapit sa mga populadong lugar, malaki ang epekto nila sa ari-arian, alagang hayop, mortalidad ng tao, at kapaligiran.
Noong nakaraang taon, isang pag-aaral ng mga mananaliksik sa University of Maryland ang nagkalkula na ang mga sunog sa kagubatan ay nagdudulot ngayon ng 3 milyong dagdag na ektarya ng pagkawala ng punong kahoy bawat taon kumpara noong 2001. Sa pagdulot ng 9.3 milyong ektarya ng pagkawala ng punong kahoy sa buong mundo, ang 2021 ay naging isa sa pinakamalalang taon.
Hindi ibig sabihin na ang mga sunog ay hindi likas na bahagi ng kung paano gumagana ang mga kagubatan. Sa katunayan, ang mga boreal forest, na sumasaklaw sa malalawak na lupain sa hilagang Europa, Russia, Alaska, at Canada, ay nakaangkop sa sunog. Ang sunog ay lumilikha ng iba’t ibang tanawin at nag-aalis ng mga lumang kagubatan, na nagbibigay daan sa mga bago.
Gayunpaman, ang pagkawala ng punong kahoy na dulot ng sunog, kahit sa mga lugar na ito, ay nangyayari nang mas mabilis. Dahil ang mga boreal forest ay kabilang sa mga nangungunang tagapagtustos ng malinis na tubig sa mundo, naglalaman ng malalaking populasyon ng wildlife, at mahalagang carbon sink, ang patuloy na trend ng mga sunog sa kagubatan ay nakababahala at kailangang tugunan.
Paggamit ng mga AI Model Kasama ang mga Satellite Image
Isa sa mga paraan kung paano tinutugunan ang isyu ng mga sunog sa kagubatan ay sa pamamagitan ng paggamit ng artificial intelligence (AI). Ang bagong teknolohiyang ito ay hindi lamang ginagamit para sa mga chatbot at virtual assistant kundi pati na rin upang tulungan ang kapaligiran sa pamamagitan ng advanced remote sensing.
Kamakailan, tinulungan ng AI ang mga bumbero na tumugon nang mabilis sa isang sunog sa kagubatan sa isang liblib na lugar ng Bay Area, California. Ang sunog ay napigilan bago ito kumalat sa tulong ng AI-powered camera, na nakadetect ng usok at nagbigay-alam sa mga crew ng bumbero bago pa man lumaki ang apoy at naging mahirap kontrolin.
Maging ang mga provider ng insurance ay lumilipat sa AI. Ang San Francisco-based na Delos Insurance Solutions ay nakapagbenta ng higit sa 17,000 na polisiya sa mga may-ari ng bahay, na tinanggihan ng ibang kumpanya. Ito ay naging posible sa pamamagitan ng mga wildfire model ng kumpanya, kung saan nakikipagtulungan ang Delos sa mga propesor ng unibersidad upang makakuha ng proprietary datasets sa wildfire modeling at pagkatapos ay nagdadagdag ng AI algorithm upang isama pa ang karagdagang data. Ayon kay co-founder Shanna McIntyre, kinokonsidera ng Delos ang higit sa 200 variable na sumasaklaw sa vegetasyon, topograpiya, at temperatura.
Malinaw na may lumalaking pokus sa pag-develop ng high-resolution na modelo ng pag-uugali ng sunog upang ma-forecast ang pagkalat ng apoy.
Ginagawa ito kasabay ng mga satellite upang matukoy ang lokasyon ng sunog. Habang ang mga satellite tulad ng LANDSAT, VHRS, at MODIS ay ginagamit na para subaybayan ang distribusyon at pagkagambala ng vegetasyon, ang pag-predict ng mga sunog sa kagubatan ay nananatiling hamon. Ang AI at machine learning ay makakatulong magbigay ng maaasahang paraan upang i-predict at pamahalaan ang mga sunog.
Halimbawa, maaaring iugnay ang AI sa imaging satellites na nagsusuri ng iba’t ibang salik tulad ng paglabas ng usok, insidente ng sunog, at pagkagambala ng vegetasyon. Sa pamamagitan ng pagsasama-sama ng lahat ng data, makakatulong ang mga AI algorithm na i-predict ang mga sunog sa kagubatan sa pamamagitan ng patuloy na pagkatuto. Ang AI tech ay maaari ring magbigay-daan sa pamamahala ng mga fire extinguisher at mga patrol vehicle gamit ang video camera.
Isang taon na ang nakalipas, isang koponan ng mga mananaliksik mula sa Aalto University sa Finland ay nagsimulang mag-develop ng AI model na tinatawag na FireCNN na maaaring i-predict ang pagkalat ng mga sunog sa kagubatan. Ang modelo ay tinuruan gamit ang mga satellite image at data ng panahon na naitala mula 2002 hanggang 2019 upang tukuyin ang mga high-risk na lugar. Ang FireCNN ay nagsusuri ng 31 variable, kabilang ang mga salik tulad ng vegetasyon at land cover.
Gayunpaman, kulang ang mga AI algorithm na maaaring i-korelasyon ang lahat ng magagamit na data at realistic na metodolohiya ng pagmomodelo na angkop sa pangangailangan ng iba’t ibang tanawin sa buong mundo.
Ayon sa isang bagong pag-aaral, ang isang bagong modelo ay maaaring tumpak na i-predict ang pagkalat ng sunog sa kagubatan. Ang modelo ay pinagsasama ang satellite imagery at AI upang magbigay ng malaking pag-unlad sa pamamahala ng sunog at tugon sa emerhensiya.
Ang pag-aaral, na pinondohan ng NASA, ng Army Research Office, at ng Viterbi CURVE program, ay isinagawa ng mga mananaliksik ng USC at na nailathala sa Earth System Science Data.
Sa ilalim ng bagong modelong ito, ang satellite data ay ginagamit upang subaybayan ang pag-usad ng mga sunog sa real time. Ang impormasyong ito ay pinapasok sa isang sopistikadong computer algorithm na maaaring tumpak na i-forecast ang posibleng landas ng apoy pati na rin ang intensity at bilis ng paglago nito.
“Ang modelong ito ay kumakatawan sa isang mahalagang hakbang pasulong sa ating kakayahang labanan ang mga sunog sa kagubatan. Sa pamamagitan ng pagbibigay ng mas tumpak at napapanahong data, pinapalakas ng aming tool ang pagsisikap ng mga bumbero at mga koponan ng paglikas na nakikipaglaban sa mga sunog sa front lines.
– Bryan Shaddy, isang corresponding author ng pag-aaral at doctoral student sa USC Viterbi School of Engineering
Nagsimula ang pag-aaral sa pangangalap ng historikal na data mula sa high-res satellite images. Pagkatapos, sa pamamagitan ng pagsusuri ng pag-uugali ng mga nakaraang sunog, sinubaybayan ng mga mananaliksik kung paano nagsimula ang apoy, kumalat, at sa huli ay napigil.
Ang masusing pag-aaral na ito ay nagbunyag ng mga pattern na ay naaapektuhan ng mga salik tulad ng topograpiya, panahon, at fuel, tulad ng mga puno at damo.
Pagkatapos, sinanay ng mga mananaliksik ang isang gen AI-powered model upang i-simulate kung paano naaapektuhan ng mga salik na ito ang pag-unlad ng mga sunog sa kagubatan sa paglipas ng panahon. Ang modelo ay sinanay upang kilalanin ang mga pattern sa satellite images na tumutugma sa pagkalat ng sunog sa kanilang modelo.
Ang modelo ay tinatawag na conditional Wasserstein Generative Adversarial Network o cWGAN, na nasubukan na sa apat na totoong sunog sa California sa loob ng dalawang taon, mula 2020 hanggang 2022, upang makita kung gaano ito kaepektibo sa pag-predict ng pagkalat ng apoy. Tinuruan gamit ang WRF-SFIRE simulations, ginagamit ang cWGAN upang alamin ang oras ng pagdating ng apoy mula sa satellite active fire data.
Ang mga resulta mula sa cWGAN ay kahanga-hanga. Tinuruan gamit ang simpleng data sa ilalim ng ideal na kondisyon, tulad ng unidirectional na hangin at patag na lupain, mahusay ang performance ng modelo sa totoong sunog sa California.
Ang tagumpay ng modelo ay iniuugnay sa paggamit ng AI model kasama ang satellite imagery, na nagbigay ng aktwal na data ng sunog sa halip na mag-isa.
Hindi ito naging madali, gayunpaman. Ang co-author ng pag-aaral na si Assad Oberai, isang Propesor ng Aerospace at Mechanical Engineering sa USC Viterbi, ay nagsabi na ang pagmomodelo ng mga sunog sa kagubatan ay isa sa pinakamahirap dahil sa kanilang “intricate processes.”
Hindi lamang ang fuel, tulad ng mga puno at palumpong, ay nasisindihan, na nagdudulot ng komplikadong kemikal na reaksyon, paglikha ng init at mga daloy ng hangin, kundi pati ang panahon at topograpiya ay nakakaapekto sa pag-uugali ng apoy. Sabi ni Assad:
“Ang mga ito ay lubhang komplikado, magulo, at nonlinear na proseso. Upang ma-modelo ito nang tumpak, kailangan mong isaalang-alang ang lahat ng iba’t ibang salik na ito. Kailangan mo ng advanced computing.”
Pinahusay na Data para sa mga AI Model
Bukod sa mga pag-unlad sa AI tech, ang data para sanayin ang mga modelong ito ay pinapabuti rin sa pamamagitan ng pagsasaklaw ng daan-daang karagdagang salik na nakakaapekto sa pagsiklab at pagkalat ng apoy. Makakatulong ito sa mga wildlife manager at siyentista na gumawa ng mas tumpak na prediksyon kung saan at kailan maaaring mangyari ang mga sunog sa kagubatan.
Kamakailan, ang Fire Program Analysis Fire-Occurrence Database (FPA FOD), na siyang pinakamalawak na pinagmumulan ng data tungkol sa georeferenced fire ignition sa US, ay malaki ang pinahusay. Unang binuo noong 2013 ng US Forest Service, ang modelo ay na-update limang beses. Pinagsasama nito ang mga ulat ng sunog mula sa lokal, estado, at pederal na entidad na may responsibilidad sa proteksyon at pag-uulat ng sunog.
Ang modelo ay binubuo ng pangunahing impormasyon tulad ng lokasyon ng pagsiklab, petsa ng pagkakatuklas, at sukat ng huling sunog. Ang binagong database, gayunpaman, ay sasaklaw ng mas marami pang sosyal at pangkapaligirang salik. Ayon kay Erica Fleishman, isang propesor sa Oregon State University:
“May napakalaking interes sa kung ano ang nagpapahintulot sa pagsiklab ng sunog at kung ano ang maaaring gawin upang maiwasan ito. Ang database na ito ay nagpapataas ng kakayahang ma-access ang kaugnay na impormasyon at mag-ambag sa kahandaan at pag-iwas sa sunog.”
Ang pinahusay na database na ito ay hindi lamang makakatulong sa mga bumbero at manager sa lupa na labanan ang sunog, kundi maaari rin itong makatulong sa pagtatasa ng short-term na panganib sa kuryente. Maaaring gumawa ng mas may alam na desisyon ang mga kumpanya ng kuryente hinggil sa pagpapatupad ng public safety power shutoff. Higit pa rito, maaaring magpasya ang mga ahensya ng pamamahala ng lupa kung dapat nilang limitahan ang access sa mga pampublikong lupain sa ilang panahon ng taon.
Ayon kay Fleishman, maraming polisiya ginagabayan ng emosyon sa halip na ng malawak na ebidensya. Ang database ay naglalahad ng “isang paraan upang dagdagan ang objective evidence na isasaalang-alang kapag gumagawa ng mga desisyon,” sabi niya.
Inilathala sa journal na Earth System Science Data, ang pananaliksik na naglalahad ng database ay sinuportahan ng Joint Fire Science Program. Inilahad nito ang mga biological, social, at physical na katangian para makakuha ng mas pinahusay na pag-unawa sa mga sunog sa kagubatan pati na rin sa prediksyon.
Sa kabuuan, ang research team, na kinabibilangan ni Fleishman, na namumuno sa Oregon Climate Change Research Institute at pinamunuan nina Mojtaba Sadegh at Yavar Pourmohamad, isang associate professor at isang doctoral student, ayon sa pagkakabanggit, sa Boise State University, ay nagdagdag ng halos 270 karagdagang katangian. Ngayon, ang database ay naglalaman ng impormasyon tungkol sa 2.3 milyong sunog sa US mula 1992 hanggang 2020.
Sa ilalim ng binagong database, bawat sunog ay ngayon may mga pisikal na katangian tulad ng panahon, klima, topograpiya, at imprastruktura; mga biological na katangian tulad ng vegetation index at land coverage; mga administratibong katangian na sumasaklaw sa antas ng kahandaan sa pambansa at rehiyonal at hurisdiksyon; at mga sosyal na katangian kabilang ang social vulnerability index at populasyon density.
Ang ikaanim na bersyon ng FPA FOD ay higit pang pinahusay ng mga summary statistics sa loob ng temporal at spatial buffer sa paligid ng punto ng pagsiklab at mga vegetation index na nakuha buwan-buwan mula sa mga satellite isang taon bago ang pagsiklab. “Ang mayamang tabular dataset na ito ay maaaring magamit sa iba’t ibang hypothesis-driven o data-exploration na aplikasyon,” ayon sa pag-aaral.
Ang ganitong napakalaking database ay makakatulong magbigay ng mas malalim na pag-unawa sa indibidwal at pinagsamang epekto ng mga katangian sa pagsiklab at laki ng sunog, sabi ni Pourmohamad, na nagdagdag:
“Kinakilala rin nito ang hindi pantay na epekto ng mga sunog sa iba’t ibang populasyon ng tao at ekosistema, na maaaring magbigay ng impormasyon sa mga pagsisikap na bawasan ang hindi pagkakapantay-pantay.”
Ang database ay maaari ring isama sa mga AI at machine learning model na nagpapaliwanag ng mga salik na nagdudulot ng mga nakaraang sunog, ang posibilidad ng mga susunod na sunog, at ang mga epekto ng mga susunod na sunog. Sabi niya:
“Kahanga-hanga kung ano ang maaari mong infer kapag mayroon kang computational capacity at ganitong dami ng impormasyon. Maaari kang magtanong ng maraming katanungan na magbibigay ng impormasyon sa iba’t ibang aksyon sa iba’t ibang lugar at upang maunawaan kung ano ang nauugnay sa pagsiklab ng sunog at mga epekto ng sunog.”
Pangwakas na Kaisipan
Ang mga wildlands tulad ng kagubatan o damuhan ay mahalaga sa kasaganaan ng tao. Sa huli, pinipigil nila ang pagbabago ng klima sa pamamagitan ng pag-imbak ng carbon, pagpapanatili ng tirahan ng wildlife, at pagpapalakas ng resilience ng tanawin. Ang mga wildlands na ito ay palaging nasasailalim sa mga sunog sa kagubatan, ngunit sa nakaraang ilang dekada, tumaas ito nang labis na ang mga sunog ay naging banta.
Ang mga napakalaking, hindi planadong sunog ay sumisira sa mga lupain sa buong mundo, na humihingi ng mas mahusay na pag-unawa, pagtatasa, at pagsusuri ng mga nakaraang sunog, ang kanilang matagumpay na pag-iwas, at mga estratehiya sa mitigasyon upang hindi lamang maiwasan ang mga sunog sa kagubatan kundi pati na rin mapabuti ang pagpaplano ng sunog, tugon, adaptasyon, cost-effective na mitigasyon, at paglimita sa mga negatibong epekto.
Tulad ng nabanggit namin kanina, patuloy na pinapahusay ng mga awtoridad ang mga database, na maaaring isama sa mga AI model upang ipaliwanag ang posibilidad ng sunog at ang kanilang mga hinaharap na epekto. Ang mga maayos na nasubok na AI model ay maaaring magamit kasabay ng mga satellite image upang tumpak na i-predict at maiwasan ang mga susunod na sunog sa kagubatan. Sa ganitong paraan, mapoprotektahan natin ang ating mga wildlands, mapangalagaan ang biodiversity, at mapagyaman ang buhay para sa mga susunod na henerasyon.
I-click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artificial intelligence.
