Weer en brandstof - twee grote boosdoeners van bosbranden - staan ​​nu in het vizier van een onderzoeker van de Universiteit van Alberta in de hoop machine learning tegen hen te gebruiken.

Door gebruik te maken van kunstmatige intelligentie (AI) om stapels meteorologische gegevens te sorteren en in kaart te brengen, Mike Flannigan en co-onderzoekers van de Canadian Forest Service en University of Waterloo willen beter voorspellen waar bosbranden kunnen uitbreken en uitbreken, zodat brandweerkorpsen vooruit kunnen plannen.

"We willen bestaande besluitvormingstools aanvullen, zodat ze de best mogelijke beslissingen kunnen nemen bij het omgaan met brand om gemeenschappen te helpen beschermen, ' zei Flannigan.

Door vast te stellen waar bosbranden waarschijnlijk wortel schieten, brandweerlieden en helikopters efficiënt kunnen worden ingezet, zei Flanigan. Die waarschuwing vooraf is cruciaal wanneer het drie tot zeven dagen kan duren om externe middelen bij het vuur te krijgen, hij merkte.

Brandmanagers zouden in staat zijn om zwaar brandweer in een bepaald gebied te voorspellen, bepalen of de benodigde middelen beschikbaar zijn en vervolgens plannen om ze bij de hand te hebben.

"Bijvoorbeeld, als het nat is in Quebec, bemanningen en vliegtuigen kunnen naar Alberta worden gestuurd om daar de bosbranden aan te pakken, " hij zei.

Flannigan onderzoekt het potentieel van neurale netwerksoftware die weerpatronen en variabelen zoals temperatuur, druk, vochtigheid en windsnelheid om veel gedetailleerdere kaarten te maken dan momenteel bestaan.

"Denk aan een baby die een menselijk gezicht ziet:ze beginnen oren te onderscheiden, neus en ogen, en naarmate ze verder onderscheiden, ze kunnen nog meer details zien, zoals snorharen en bakkebaarden, " zei Flannigan. Neurale netwerken werken op dezelfde manier, om extreme weerspatronen te identificeren in meerdere lagen bestaande weergegevens.

"Het zou kunnen worden omgezet in een kaart die kwetsbare gebieden zou identificeren en op welke tijden het brandweer ernstig zou zijn, " hij voegde toe.

De onderzoekers zijn ook geïnteresseerd om samen met brandweermanagers een applicatie te ontwikkelen voor het op afstand detecteren en in kaart brengen van gegevens over brandstoflagen in het bos.

"Als er brand is in het landschap, we willen weten in welke brandstof het verbrandt, zoals gras, coniferen en espen. Brandweerbureaus hebben wel brandstofkaarten, maar ze zijn vaak ruimtelijk grof en we willen naar een veel fijnere resolutie met veel meer detail."

Door middel van teledetectie, kaarten kunnen ook vaker worden bijgewerkt. Momenteel, het kan 18 tot 20 jaar duren voordat een in kaart gebracht gebied opnieuw wordt beoordeeld, met veel veranderingen tussendoor, Flannigan merkte op.

bijgewerkt, rijk gedetailleerde ruimtelijke kaarten kunnen brandmanagers een beter idee geven van hoe de brandstof voor de brand verticaal en horizontaal is gestructureerd.

"In een wildvuur met hoge intensiteit, een kaart met deze applicatie kan helpen bij het identificeren van wat we ladderbrandstoffen noemen, zoals ondergroeistruiken (planten die onder boomtoppen groeien), waardoor het vuur zich kan verspreiden naar de boomtoppen, ' legde Flannigan uit.

"Het huidige one-size-fits-all systeem dat in gebruik is, vertelt ons dat niet; het kan alleen aannames doen over de understory. Maar dit nieuwe soort machine learning zal veel gedetailleerdere informatie bevatten over de brandstofstructuur."

De toepassingen zullen de komende twee jaar pilotstudies ondergaan om te zien of machine learning inderdaad de traditionele methoden kan verbeteren. Flannigan, die in 2016 zijn potentieel begon te verkennen met een van zijn studenten, gelooft dat het kan.

"Het is geen wondermiddel, maar voor bepaalde problemen met het verwerken van grote hoeveelheden gegevens, machine learning stelt ons in staat om relaties te zien die niet altijd duidelijk zijn met behulp van traditionele methoden en benaderingen. We denken dat machine learning-benaderingen voor natuurbrandbeheer veelbelovend zijn."