과학자들은 AI를 사용하여 향상된 산불 예측을 위해 데이터 식생 지도를 업데이트합니다.

과학자들은 AI를 사용하여 향상된 산불 예측을 위해 데이터 식생 지도를 업데이트합니다.
새로운 기술로 콜로라도 동부 문제의 화재 시뮬레이션이 크게 향상되었습니다.
날짜:
2022년 5월 31일
원천:
국립대기연구센터/대학교 대기연구센터
요약:
새로운 기술은 인공 지능을 사용하여 산불 컴퓨터 모델에 의존하는 식생 지도를 효율적으로 업데이트하여 화재 행동과 확산을 정확하게 예측합니다.

NCAR(National Center for Atmospheric Research)에서 개발한 새로운 기술은 인공 지능을 사용하여 산불 컴퓨터 모델에 의존하는 식생 지도를 효율적으로 업데이트하여 화재 행동과 확산을 정확하게 예측합니다.

최근 연구에서 과학자들은 2020년 콜로라도 동부 문제의 화재를 사용하여 방법을 시연했습니다. 이 화재는 연료 인벤토리에서 건강한 숲으로 잘못 특성화된 땅을 태웠습니다. 실제로 폭발적으로 커진 불은 최근 소나무 딱정벌레와 폭풍우로 황폐해진 풍경을 태웠고 상당한 양의 죽은 목재와 쓰러진 목재를 남겼습니다.

연구팀은 해당 지역의 표준 연료 인벤토리와 인공지능(AI)으로 업데이트된 연료 인벤토리를 모두 사용하여 NCAR에서 개발한 최신 산불 행동 모델에서 발생하는 화재 시뮬레이션을 비교했습니다. AI로 업데이트된 연료를 사용한 시뮬레이션은 화재로 인해 타버린 지역을 훨씬 더 잘 예측했으며, 궁극적으로 대륙 분할의 양쪽에 190,000에이커 이상의 땅으로 커졌습니다.

NCAR 과학자이자 수석 저자인 Amy DeCastro는 "산불 모델링에서 우리의 주요 과제 중 하나는 연료 데이터를 포함하여 정확한 입력을 얻는 것이었습니다. "이 연구에서 우리는 기계 학습과 위성 이미지의 결합 사용이 실행 가능한 솔루션을 제공함을 보여줍니다."

이 연구는 NCAR의 후원자인 미국 국립과학재단(US National Science Foundation)의 지원을 받았습니다. 모델링 시뮬레이션은 샤이엔 시스템의 NCAR-와이오밍 슈퍼컴퓨팅 센터에서 실행되었습니다.

소나무 딱정벌레 피해를 설명하기 위해 인공위성을 사용

모델이 산불을 정확하게 시뮬레이션하려면 현재 조건에 대한 자세한 정보가 필요합니다. 여기에는 지역 날씨와 지형뿐만 아니라 화염에 연료를 공급하는 식물 물질의 특성이 포함됩니다. 실제로 태울 수 있는 것은 무엇이고 어떤 상태인지입니다. 죽었는지 살았는지? 습합니까 건조합니까? 어떤 종류의 식물입니까? 얼마입니까? 연료가 땅에 얼마나 깊숙이 쌓여 있습니까?

연료 데이터 세트의 황금 표준은 산불 연료에 대한 정보를 포함하여 여러 지리 공간 데이터 세트를 생성하는 연방 프로그램인 LANDFIRE에서 생성합니다. 이러한 산불 연료 데이터 세트를 생성하는 프로세스는 광범위하며 위성 이미지, 경관 시뮬레이션 및 조사 중에 직접 수집한 정보를 통합합니다. 그러나 이를 생산하는 데 필요한 자원의 양은 실질적으로 자주 업데이트할 수 없으며 산불, 곤충 만연 및 개발을 포함한 산림의 교란 사건이 그 동안 사용 가능한 연료를 근본적으로 변경할 수 있음을 의미합니다.

콜로라도주 그랜드 카운티에서 시작되어 동쪽으로 불을 질러 로키산맥 국립공원으로 번진 East Troublesome Fire의 경우, 가장 최근의 LANDFIRE 연료 데이터 세트가 2016년에 공개되었습니다. 그 사이 4년 동안 소나무 딱정벌레가 나무를 널리 퍼뜨렸습니다. 지역의 사망률.

연료 데이터 세트를 업데이트하기 위해 연구원들은 유럽 우주국(European Space Agency)의 코페르니쿠스(Copernicus) 프로그램의 일부인 센티넬(Sentinel) 위성으로 눈을 돌렸습니다. Sentinel-1은 식물 유형을 식별하는 데 사용할 수 있는 표면 질감에 대한 정보를 제공합니다. (예를 들어, 잔디는 나무와 질감이 매우 다릅니다.) 그리고 Sentinel-2는 녹색에서 식물의 건강을 추론하는 데 사용할 수 있는 정보를 제공합니다. 과학자들은 위성 데이터를 미국 산림청의 곤충 및 질병 탐지 조사에서 훈련한 "무작위 숲"으로 알려진 기계 학습 모델에 입력했습니다. 이 조사는 공중에서 나무의 폐사율을 추정하는 훈련된 직원에 의해 매년 수행됩니다.

그 결과 머신 러닝 모델이 LANDFIRE 연료 데이터를 정확하게 업데이트할 수 있었고, "목재 쓰레기" 또는 "목재 언더스토리"로 분류된 대부분의 연료를 나무가 무성한 산림 지역에 사용되는 지정인 "슬래시 블로우다운"으로 전환했습니다. 인류.

"LANDFIRE 데이터는 매우 중요하며 구축할 수 있는 안정적인 플랫폼을 제공합니다."라고 DeCastro가 말했습니다. "인공 지능은 리소스를 덜 사용하는 방식으로 데이터를 업데이트하는 효과적인 도구임이 입증되었습니다."

긍정적인 영향을 위한 포지셔닝

업데이트된 연료 인벤토리가 산불 시뮬레이션에 미치는 영향을 테스트하기 위해 과학자들은 WRF-Fire로 알려진 NCAR의 기상 연구 및 예측 모델 버전을 사용했으며, 이 모델은 산불 행동을 시뮬레이션하기 위해 특별히 개발되었습니다.

WRF-Fire가 조정되지 않은 LANDFIRE 연료 데이터 세트를 사용하여 East Troublesome Fire를 시뮬레이션하는 데 사용되었을 때 화재가 연소할 영역의 양을 상당히 과소 예측했습니다. 조정된 데이터 세트로 모델을 다시 실행했을 때 훨씬 더 정확하게 화상을 입은 지역을 예측할 수 있었고, 이는 죽은 나무와 쓰러진 목재가 나무가 아직 살아 있을 때보다 산불 확산에 훨씬 더 큰 도움이 되었음을 나타냅니다. .

현재 기계 학습 모델은 기존 연료 지도를 업데이트하도록 설계되었으며 작업을 빠르게(몇 분 만에) 수행할 수 있습니다. 그러나 이 프로젝트의 성공은 또한 기계 학습 시스템을 사용하여 산불 위험이 있는 넓은 지역에서 정기적으로 연료 지도를 처음부터 생성하고 업데이트하기 시작한다는 약속을 보여줍니다.

NCAR의 새로운 연구는 AI를 사용하여 화재 경계를 보다 빠르게 추정하려는 노력을 포함하여 산불에 대한 가능한 AI 응용 프로그램을 조사하는 더 큰 추세의 일부입니다. NCAR 연구원들은 또한 기계 학습이 산불 행동 모델링에 대한 다른 지속적인 문제를 해결하는 데 도움이 될 수 있기를 희망합니다. 예를 들어, 기계 학습은 화재로 인해 생성된 불씨의 속성(크기, 뜨거운 정도, 밀도)과 불씨가 화재를 일으킬 가능성을 예측하는 능력을 향상시킬 수 있습니다.

공동 저자인 NCAR 과학자 Timothy Juliano는 "우리는 이러한 문제를 해결하고 사람들을 안전하게 보호할 수 있는 기술과 컴퓨팅 성능, 리소스를 매우 많이 보유하고 있습니다. "우리는 긍정적인 영향을 미칠 수 있는 좋은 위치에 있습니다. 계속 노력하기만 하면 됩니다."