Η τεχνητή νοημοσύνη θα μπορούσε να ανιχνεύσει πύρινες εστίες επισπεύδοντας την κατάσβεση και αποτρέποντας την εξάπλωση της φωτιάς
Σχεδόν 145.000 στρέμματα, τουλάχιστον 29 νεκροί, περίπου 200.000 εκτοπισμένοι και πάνω από 18.000 κατοικίες και κτίρια καταστράφηκαν από τις πρόσφατες πυρκαγιές στην Καλιφόρνια που ξέσπασαν τον περασμένο Ιανουάριο μετατρέποντας σε στάχτη ολόκληρες συνοικίες. Η παρατεταμένη περίοδος ξηρασίας, το χαμηλό ποσοστό υγρασίας κι οι σφοδροί άνεμοι συνέθεσαν ένα εκρηκτικό κοκτέιλ που ενίσχυσε τα πύρινα μέτωπα.
Οι επιστήμονες αναζητούν λύσεις ώστε να αποτραπεί η εξάπλωση της φωτιάς, ακόμα και να προβλεφθεί ώστε να αποφευχθούν τραγωδίες όπως αυτή στο Λος Άντζελες.
Ανάμεσα στις τεχνολογίες που μελετούν οι ειδικοί στην πρώτη γραμμή τίθεται η τεχνητή νοημοσύνη, χάρη στην οποία είναι πιθανό να ανιχνευτούν άμεσα οι πύρινες εστίες και επομένως να επισπευσθεί η κατάσβεση και να αποτραπούν νέα μέτωπα.
Τουλάχιστον αυτό προκύπτει από μελέτη που δημοσιεύθηκε στο International Journal of Remote Sensing, σύμφωνα με την οποία καταγράφεται ποσοστό επιτυχίας της τάξης του 93% κατά την «εκπαίδευση» μοντέλου τεχνητής νοημοσύνης που μιμείται του λειτουργία του ανθρώπινου εγκεφάλου.
Αφορμή για την ανάπτυξή του ήταν οι πυρκαγιές που κατέκαψαν τον Αμαζόνιο το 2023 πλήττοντας σημαντικά τον πράσινο πνεύμονα του τροπικού δάσους.
Όπως εξηγούν οι ερευνητές από το Ομοσπονδιακό Πανεπιστήμιο του Αμαζονίου στη Βραζιλία, η νέα τεχνολογία χρησιμοποιεί ένα είδος τεχνητού νευρωνικού δικτύου (αλγόριθμος μηχανικής μάθησης που χρησιμοποιεί ένα δίκτυο διασυνδεδεμένων κόμβων για την επεξεργασία δεδομένων με τρόπο που μιμείται τον ανθρώπινο εγκέφαλο), το οποίο ονομάζεται Convolutional Neural Network (CNN) και χάρη σε αυτό ταξινομούνται οι περιοχές του τροπικού δάσους που έχουν πληγεί από πυρκαγιές. Όλα αυτά, ενώ οι αλγόριθμοι που αναπτύσσονται βελτιώνουν την απόδοσή τους σταδιακά και όσο αυξάνεται ο όγκος των δεδομένων.
Η ερευνητική ομάδα χρησιμοποίησε εικόνες που προέρχονται από τους δορυφόρους Landsat 8 και 9 για την εκπαίδευση του CNN. Αυτοί οι δορυφόροι είναι εξοπλισμένοι με υπέρυθρες ακτίνες κοντινής υπέρυθρης ακτινοβολίας και υπέρυθρες ακτίνες μικρού μήκους κύματος, οι οποίες ευνοούν στην ανίχνευση των μεταβολών στη βλάστηση, καθώς και της επιφανειακής θερμοκρασίας.
Αρχικά, το CNN εκπαιδεύτηκε σε ένα σύνολο δεδομένων 200 εικόνων με πυρκαγιές και ισάριθμες εικόνες χωρίς πυρκαγιές, ώστε να διασφαλιστεί μια ισορροπημένη προσέγγιση μάθησης. Αν και μικρός, αυτός ο αριθμός εικόνων αποδείχθηκε επαρκής για το CNN ώστε να επιτύχει ακρίβεια 93% κατά τη φάση της εκπαίδευσης.
Στη συνέχεια χρησιμοποιήθηκαν 40 εικόνες με ή χωρίς πυρκαγιές που δεν περιλαμβάνονταν στο σύνολο δεδομένων εκπαίδευσης. Το μοντέλο ταξινόμησε σωστά τις 23 από τις 24 εικόνες με πυρκαγιές και τις 16 εικόνες χωρίς πυρκαγιές, αποδεικνύοντας τις δυνατότητές του στην ανίχνευση πυρκαγιών πέρα από το σύνολο δεδομένων εκπαίδευσης.
Όπως αναφέρει η έκθεση, η ικανότητα ακριβούς ταξινόμησης και ανίχνευσης δασικών πυρκαγιών χρησιμοποιώντας δορυφορικές εικόνες, ιδίως σε μια περιοχή τόσο κρίσιμη από οικολογική άποψη όπως ο Αμαζόνιος, λειτουργεί σαν ένα πολύτιμο εργαλείο για έγκαιρη παρέμβαση και έλεγχο.
Επισημαίνουν, μάλιστα, πως τα συστήματα που λειτουργούν αυτή τη στιγμή στην περιοχή παρέχουν δεδομένα σχεδόν σε πραγματικό χρόνο με μέτριες αναλύσεις. Ωστόσο, η ικανότητά τους να εντοπίζουν λεπτομέρειες σε απομακρυσμένες περιοχές ή μικρότερες εστίες πυρκαγιάς είναι περιορισμένη.
Από αυτή την άποψη, το μοντέλο του CNN, που χρησιμοποιεί εικόνες Landsat υψηλής ανάλυσης, θα μπορούσε να είναι αποτελεσματικό, επιτρέποντας πιο λεπτομερείς αναλύσεις σε συγκεκριμένα σημεία.
Οι επιστήμονες τονίζουν ότι η μεθοδολογία τους δεν περιορίζεται μόνο στο οικοσύστημα του Αμαζονίου, αλλά έχει τη δυνατότητα να συμβάλλει σημαντικά στις προσπάθειες των αρμόδιων αρχών στην καταπολέμηση και διαχείριση τέτοιων περιστατικών, παρέχοντας μια προηγμένη και πιο τοπική προσέγγιση για την ανίχνευση πυρκαγιών.
Οι ειδικοί εκτιμούν πως η τεχνολογία αυτή θα μπορούσε να ενσωματωθεί στα ήδη υπάρχοντα συστήματα τεχνητής νοημοσύνης ώστε να εντοπιστούν πυρκαγιές το συντομότερο δυνατό και να αποφευχθούν οι καταστροφικές επιπτώσεις τους.