Man mano che gli incendi diventano più grandi e più pericolosi, vari governi e agenzie private si sono rivolti all’intelligenza artificiale per rilevare e potenzialmente prevedere gli incendi . La Guardia Nazionale ha effettuato voli di ricognizione in California durante la fine dell’estate e l’autunno per gli anni del banco, ma ora i droni utilizzati per effettuare questi voli hanno ricevuto aggiornamenti con algoritmi di intelligenza artificiale destinati a generare automaticamente mappe degli incendi all’interno di una particolare regione.
La creazione di mappe antincendio è un processo incredibilmente difficile che richiede l’analisi dei dati per mappare gli incendi in costante cambiamento mentre si muovono su terreni accidentati. Sia le osservazioni aeree che quelle terrestri vengono utilizzate per creare mappe del fuoco e le mappe del fuoco vengono in genere aggiornate solo una volta al giorno. I grandi incendi possono spostarsi fino a 15 miglia durante un solo giorno, come testimoniato da alcuni degli incendi di questa stagione degli incendi . Le agenzie di monitoraggio degli incendi hanno bisogno di metodi più rapidi per raccogliere dati sugli incendi e aggiornare le mappe antincendio, ei droni aerei combinati con l’IA possono soddisfare questa esigenza.
I sistemi di mappatura degli incendi, molti dei quali si basano su dati satellitari, in genere utilizzano uno dei due diversi metodi per rilevare possibili incendi. Gli incendi vengono rilevati rilevando il calore che esce dalla superficie terrestre (rilevando aree insolitamente calde) o analizzando le emissioni di aerosol (rilevando le particelle di fumo rilasciate nell’aria quando la biomassa brucia). Dopo che i potenziali incendi sono stati rilevati, possono essere confermati attraverso l’uso di sistemi di imaging ad alta risoluzione come i droni. Le telecamere di cui sono dotati i droni della Guardia Nazionale sono in grado di mostrare gli incendi a una risoluzione di soli 90 piedi dal suolo.
La Guardia Nazionale ha equipaggiato i suoi droni MQ-9 “Reaper” con algoritmi di intelligenza artificiale destinati a rilevare incendi e generare mappe di fuoco. Gli algoritmi di intelligenza artificiale vengono utilizzati per raccogliere dati sugli incendi che bruciano attivamente e rilevare “incendi spot” che sono stati avviati da incendi più grandi. Il progetto è stato guidato dal Joint Artificial Intelligence Center (JAIC), una divisione creata dal Pentagono nel 2018. Il sistema di mappatura degli incendi JAIC utilizza algoritmi di apprendimento automatico addestrati su riprese aeree di incendi passati con confini annotati. L’algoritmo può quindi acquisire immagini invisibili con solo dati sulla posizione e rilevare gli incendi al loro interno, producendo una mappa che mostra quali regioni stanno bruciando. Viene indicata anche la posizione degli incendi.
Rispetto al processo di generazione di mappe antincendio per l’intera giornata utilizzato da altre agenzie, il sistema di mappatura incendi JAIC è molto più veloce. Il processo di mappatura del fuoco basato sull’intelligenza artificiale può generare una nuova mappa del fuoco all’incirca ogni mezz’ora. Secondo la California Air National Guard , le mappe prodotte dal nuovo sistema sono accurate e il feedback di CalFire è stato positivo. Se le mappe continuano a dimostrarsi affidabili e possono essere integrate con successo con le operazioni di CalFire, potrebbero essere utilizzate per aiutare a individuare gli incendi durante la stagione degli incendi del prossimo anno.
Oltre a mappare i confini degli incendi attuali, l’intelligenza artificiale può aiutare le squadre antincendio a prevedere il movimento degli incendi. La stessa CalFire ha recentemente iniziato a lavorare con uno strumento chiamato WildFire Analyst Enterprise.Lo strumento di analisi degli incendi è stato creato da Technosylva e funziona combinando insieme vari modelli di propagazione del fuoco. Questi modelli sono migliorati attraverso l’uso di algoritmi di apprendimento automatico, addestrati sulle caratteristiche degli incendi boschivi passati (come il contenuto di umidità della vegetazione, le condizioni meteorologiche e le immagini satellitari). Il modello confronta quindi i dati su un incendio in corso con i dati di incendi passati per fare previsioni su come tale incendio potrebbe diffondersi. Il software consente inoltre all’utente di creare simulazioni basate su come cambiano le diverse variabili come le condizioni meteorologiche. Lo strumento prevedeva correttamente che il CZU Lightning Complex Fire si sarebbe spostato verso la città di Felton, consentendo alle squadre di vigili del fuoco di arrivare presto e salvare molte strutture che altrimenti non sarebbero state salvate.
Nel frattempo, i dipartimenti antincendio nel sud della California stanno utilizzando un diverso sistema di rilevamento e previsione degli incendi chiamato FireMap, sviluppato dal Wifire Lab. FireMap utilizza i dati aerei e terrestri delle telecamere, nonché le condizioni climatiche, le condizioni del vento, il contenuto di umidità nella vegetazione e altro ancora, per prevedere dove si propagheranno gli incendi.
Man mano che verranno create più piattaforme di rilevamento e previsione degli incendi basate sull’intelligenza artificiale, i droni diventeranno probabilmente sempre più importanti.I satelliti sono estremamente utili, ma hanno limitazioni per quanto riguarda il tipo e il volume di dati che possono raccogliere. Per raccogliere dati vengono utilizzati due tipi di satelliti: satelliti orbitanti polari e satelliti geosincroni. I satelliti orbitanti polari sono in grado di acquisire immagini ad alta risoluzione, ma le immagini vengono acquisite solo due volte al giorno. Al contrario, le immagini raccolte da immagini geosincrone vengono raccolte più frequentemente, in genere ogni 5 minuti circa. Tuttavia, i satelliti geosincroni devono volare a circa 22.000 miglia sopra la superficie terrestre per rimanere sincronizzati con l’orbita terrestre. Di conseguenza, queste immagini contengono molti meno dettagli rispetto ai satelliti orbitali polari. I droni possono aiutare a colmare le lacune nei dati, ottenendo immagini più costanti e dettagliate di un’area di interesse.
