Прогнозирование поведения лесных пожаров: наблюдение за Землей и ГИС

Марк Альтавиль | Пространственный анализ | 5 июля 2023

Прогнозирование не только вероятности, но и интенсивности лесных пожаров важно как для промышленности, так и для безопасности и лучшего понимания изменения климата. Совсем недавно мы стали свидетелями последствий дыма от лесных пожаров и того, как пагубные последствия для здоровья могут возникать иногда за сотни миль от того места, где находятся пожары.

Спутниковые системы имеют жизненно важное значение для наблюдения за развивающимися пожарами, где они могут использоваться для мониторинга условий, которые затем могут передавать информацию для прогнозирования вероятности пожаров с использованием разработанных моделей. Методы, интегрирующие искусственный интеллект и, в некоторых случаях, сочетающие прогнозирование лесных пожаров и дыма, вероятно, будут приобретать все большее значение в эпоху, когда крупномасштабные лесные пожары становятся нормой.

Использование данных дистанционного зондирования для прогнозирования лесных пожаров

Глобальная база данных пожарной погоды НАСА (GFWED), которая предоставляет данные о ветре, температуре и влажности, которые затем можно использовать с помощью ГИС или программного обеспечения дистанционного зондирования для прогнозирования того, где могут начаться пожары, продолжает оставаться важной глобальной базой данных, используемой для прогнозирования лесных пожаров.

Глобальная карта расчетной пожарной опасности (1 января 2015 г. – 31 декабря 2017 г.) Джошуа Стивенса с использованием данных Глобальной пожарной погоды (GFWED) Института космических исследований имени Годдарда НАСА.

GFWED использует спутниковые измерения осадков, сделанные в режиме, близком к реальному времени, которые применяются для прогнозирования вероятности того, что лесной пожар может начаться в данном районе. По сути, модель обеспечивает тип оценки пожаров, который показывает районы, где лесные пожары более вероятны.

Модель использует прошлые модели пожаров, чтобы помочь определить вероятные районы, где лесные пожары с большей вероятностью будут легко распространяться. Например, дело не только в том, насколько сухим является место, но и в том, что скорость ветра может увеличиться, что может повлиять на одну данную область. Сочетание различных факторов, которые приводят к развитию лесных пожаров, - это то, как инструмент обеспечивает лучшее региональное понимание возникновения пожаров. [1]

Использование искусственного интеллекта для прогнозирования и картирования вероятности лесных пожаров

Методы машинного обучения и искусственного интеллекта, включая случайный лес и генетические алгоритмы, использовались для оценки вероятности пожаров с использованием таких изображений, как данные спектрорадиометра с умеренным разрешением (MODIS).

В одном типе модели такие факторы, как влажность, скорость ветра, количество осадков, высота, уклон и нормализованный разностный индекс влажности (NDMI), используются для прогнозирования того, где могут начаться лесные пожары. Такие методы, как случайный лес, по-видимому, являются одними из самых точных, с точностью около 88%. [2]

Пламя поднимается вверх по черной ели, национальному парку и заповеднику Лейк-Кларк. Фото: NPS / Ясунори Мацуи, общественное достояние.

Однако были разработаны и другие подходы, в которых при оценке пожарного риска используются как человеческие, так и природные факторы.

Например, на основе данных MODIS был создан алгоритм обучения с использованием методов максимального ожидания для оценки серии входных данных из разных регионов. Байесовские сети и ГИС были использованы для оценки региональных факторов, влияющих на пожары, на основе исторических данных. Это было применено в Эсватини, и было обнаружено, что как землевладение, так и состояние почвенно-растительного покрова являются основными причинами пожаров, где модель смогла иметь точность более 93% при прогнозировании пожаров.

Спутниковые данные могут быть использованы для обучения модели, которая затем может использовать предыдущие данные для прогнозирования будущих условий, которые могут быть похожи на прошлые события. 3]

Все чаще новые модели учитывают пространственное разрешение, особенно локализованные факторы, определяющие, как распространяется пожар. В этих последних моделях применялись локализованные переменные, чтобы обеспечить еще более точное понимание или прогнозирование лесных пожаров.

В этом случае используется слой адаптивной нормализации с учетом местоположения (LOAN), в котором динамические переменные (например, погодные условия) отделены от более статических переменных (например, топографии); Это помогает сверточной нейронной сети глубокого обучения лучше прогнозировать, как лесные пожары развиваются в данной и более точной области. 4]

Пространственно-временные 2D/3D сверточные нейронные сети позволяют разделять пространственные и временные переменные и применять их для прогнозирования в очень локализованных областях. Такие результаты показывают, что глубокое обучение в настоящее время начинает становиться многообещающим способом прогнозирования лесных пожаров. Подходы к глубокому обучению гораздо более интенсивны для обработки данных, а это означает, что для этого потребуются гораздо более точные методы мониторинга.

Данные, возможно, должны лучше фиксировать как спутниковые, так и локальные наземные наблюдения, если модели глубокого обучения должны иметь высокий уровень точности в прогнозировании вероятных путей распространения лесных пожаров.

Понимание человеческого фактора и использование дистанционного зондирования и ГИС для определения пожарной опасности

Другие методы пытались объединить ГИС, дистанционное зондирование и интервью с местными экспертами, чтобы лучше понять пожары. В этих случаях было замечено, что в некоторых регионах, таких как район Средиземноморья, высокий процент пожаров начинается из-за человеческого фактора.

Исследователи JPL / NASA проанализировали данные нескольких полетов SAR и разработали метод картографирования, чтобы показать различные этапы удаления и восстановления растительности.

Понимание правильных условий с помощью методов наблюдения за Землей и ГИС может быть улучшено, если также знать, как они связаны с человеческим фактором, например, причины, по которым были предприняты преднамеренные действия, приведшие к крупномасштабным пожарам. Это помогает получить точное представление о факторах риска возникновения пожаров для человека и окружающей среды.[5]

Направление разработки программного обеспечения

Многие национальные лесные службы используют стандартизированные модели для прогнозирования лесных пожаров и управления ими. Программное обеспечение, как правило, использует условия топлива и влажности, имитируя поверхность и скорость пожара и распространение.

В Соединенных Штатах стандартной моделью Лесной службы Министерства сельского хозяйства США является BehavePlus, подход, основанный на моделировании, используемый для прогнозирования распространения лесных пожаров. Все чаще исследователи утверждают, что инструменты прогнозирования на основе искусственного интеллекта могут дать лучшие результаты.

Факторы, которые включают природные и человеческие факторы, вероятно, будут продолжать развиваться. В частности, подходы к машинному обучению также могут быть гибкими в том, как включение различных факторов, основанных на сезонных колебаниях, может помочь им превзойти некоторые существующие статистические или основанные на моделировании подходы. 6]

Прогнозирование распространения дыма от лесных пожаров

Ученые озабочены не только прогнозированием распространения лесных пожаров. В настоящее время больше внимания уделяется прогнозированию распространения дыма, учитывая, что дым может распространяться гораздо дальше, чем пожары, и может влиять на здоровье миллионов людей из-за рассеивания мелких частиц.

Дым с быстрым обновлением высокого разрешения (HRRR-Smoke) — это экспериментальная модель прогнозирования дыма от лесных пожаров, которая является расширением существующей модели погоды HRRR NOAA, предсказывающей дождь, ветер и грозы. Эта модель включает в себя данные в режиме реального времени с полярных спутников Suomi-NPP и NOAA-20 Объединенной полярной спутниковой системы, а также данные со спутников НАСА Terra и Aqua.

Модель быстрого обновления дыма высокого разрешения (HRRR-Smoke), расширение существующей модели погоды HRRR NOAA, прогнозирующей дождь, ветер и грозы, включает данные в режиме реального времени с полярных спутников Suomi-NPP и NOAA-20 Объединенной полярной спутниковой системы в дополнение к данным со спутников НАСА Terra и Aqua. Изображение: НАСА, 2018 г., общественное достояние.

В Соединенных Штатах Национальная метеорологическая служба использует систему на основе HYSPLIT для прогнозирования дрейфа дыма и качества воздуха. Модель, по сути, является инструментом прогнозирования дисперсии, который рассматривает перенос, дисперсию, химическое преобразование и осаждение при моделировании вероятных областей, по которым может перемещаться дым. [7]

Недавняя работа интегрировала эту структуру с моделью распространения пожаров, называемой ELMFIRE, которая прогнозирует исследования воздействия изменения климата, а также недавние события. Комбинируя методы прогнозирования пожаров и входные данные с распространением шлейфа и частиц, подход к интеграции этих моделей, по-видимому, дает очень точные результаты, сравнимые с HYPSPLIT, без необходимости иметь много входных данных.

В частности, распространение дыма можно прогнозировать с высокой точностью, сосредоточив внимание на моделировании того, где распространились несколько крупных или ключевых пожаров, а не на захвате большого количества текущих пожаров. Основные пожары могут помочь наметить важные факторы в атмосфере и погодных условиях, которые способствуют распространению дыма. [8]

Это демонстрирует, как должностные лица здравоохранения, а также пожарные могут быстро получить представление о том, какие районы могут столкнуться с проблемами качества воздуха по мере развития лесных пожаров. Вместо того, чтобы ждать необходимых данных о лесных пожарах, чиновники могут просто сосредоточиться на некоторых ключевых пожарах, чтобы оценить, какие районы могут быть затронуты дымом.

Будущие направления моделирования и картографирования лесных пожаров

Моделирование лесных пожаров в настоящее время начинает выходить далеко за рамки симуляции и статистических методов, включая новые формы методов искусственного интеллекта. Многие из старых моделей очень точны и полезны в своих возможностях прогнозирования, но методы глубокого обучения потенциально могут помочь заполнить пробелы неопределенности.

Кроме того, благодаря улучшенному мониторингу, сочетающему спутниковые и наземные методы, можно использовать более локализованные модели для лучшего прогнозирования общего вероятного поведения пожара.

Приборы пожарного поведения используются во время лесных пожаров и предписанных пожаров для предоставления данных о типах пожарной среды, которые наносят ущерб археологическим ресурсам. Фото: Рэйчел Лохман, Геологическая служба США. Всеобщее достояние.

Это, однако, говорит о том, что нам понадобится гораздо лучший мониторинг, который объединяет различные уровни наблюдения, чтобы использовать эти модели глубокого обучения с большим объемом данных, которые могут оставаться проблемой в течение некоторого времени во многих частях мира. Другими словами, старые модели пожаров, вероятно, останутся одними из лучших подходов до тех пор, пока мы не сможем улучшить получение данных во многих отдаленных районах.

Поскольку опасность для здоровья людей, находящихся вдали от пожаров, в настоящее время также вызывает серьезную озабоченность, будущие методы, вероятно, будут более тесно интегрировать модели огня и дыма. Вместо того, чтобы сосредотачиваться на районах, непосредственно пострадавших от пожаров, модели будут рассматривать ряд окружающих пожаров, которые могут вместе формировать качество воздуха в континентальном масштабе.

Методы наблюдения за Землей использовались для прогнозирования пожаров, по крайней мере, с 1960-х годов и с первых дней спутникового дистанционного зондирования. Что изменилось сейчас, так это то, что разрабатываются модели в глобальном и региональном масштабе, точность которых растет. Поскольку изменение климата в настоящее время становится реальным риском пожаров, новые методы также включают наземные данные наряду с температурой, осадками и другими погодными факторами для разработки более точных моделей.

Ссылки

[1] Подробнее о прогнозировании пожаров с помощью GFWED НАСА см.: https://earthobservatory.nasa.gov/images/92367/forecasting-fire.

[2] Недавнее исследование по использованию методов машинного обучения и искусственного интеллекта при лесных пожарах см.: Абдоллахи А. и Прадхан Б. (2023) Объяснимый искусственный интеллект (XAI) для интерпретации факторов, влияющих на модель прогнозирования восприимчивости к лесным пожарам. Наука об окружающей среде 879: 163004. DOI: 10.1016/j.scitotenv.2023.163004.

[3] Подробнее об использовании MODIS и алгоритмах обучения для прогнозирования пожаров см.: Dlamini, W. M. (2011). Применение байесовских сетей для картографирования пожарного риска с использованием данных ГИС и дистанционного зондирования Земли. Геожурнал, 76 (3), 283–296. https://doi.org/10.1007/s10708-010-9362-x.

[4] Эддин MHS, Рошер Р. и Галл Дж. (2023) Адаптивная нормализация с учетом местоположения: подход к глубокому обучению для прогнозирования опасности лесных пожаров. Труды IEEE по наукам о Земле и дистанционному зондированию: 1–1. DOI: 10.1109/TGRS.2023.3285401.

[5] Для получения дополнительной информации о понимании человеческого фактора и использовании дистанционного зондирования и ГИС для понимания пожарного риска см.: Леоне В., Ловрельо Р., Мартин М.., Мартинес Х. и Вилар Л. (2009). Антропогенные факторы возникновения пожаров в Средиземноморье. В Э. Чувьеко (ред.), Наблюдение за Землей за лесными пожарами в средиземноморских экосистемах (стр. 149–170). Берлин, Гейдельберг: Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-01754-4_11.

[6] Ван В., Чжао Ф., Ван И и др. (2023) Сезонные различия в пространственных моделях драйверов лесных пожаров и восприимчивости к ним в юго-западных горах Китая. Наука об окружающей среде 869: 161782. DOI: 10.1016/j.scitotenv.2023.161782.

[7] Штейн А.Ф., Дракслер Р.Р., Рольф Г.Д. и др. (2015) Система моделирования атмосферного переноса и дисперсии NOAA HYSPLIT. Бюллетень Американского метеорологического общества 96 (12): 2059–2077. DOI: 10.1175/BAMS-D-14-00110.1.

[8] Мелесио-Васкес Д., Лаутенбергер С., Шей Х. и др. (2023) Связанная структура выбросов и дисперсии лесных пожаров для вероятностной оценки PM2.5. Огонь 6 (6): 220. DOI: 10.3390/fire6060220.