Как машинное обучение помогает бороться с лесными пожарами в Калифорнии

0
191
Машинное обучение помогает прогнозировать лесные пожары в Калифорнии

Два ученика средней школы Monta Vista Aditya Shah и Sanjana Shah используют машинное обучение, доступную библиотеку TensorFlow, для прогнозирования лесных пожаров в Калифорнии. Рассказ Aditya Shah опубликовали в блоге Google. 

Всякий раз, когда я получаю шанс, я беру свою камеру и трачу часы, захватывая безупречную красоту парка Большого Бассейна Редвуд. Это было мое любимое времяпрепровождение в течение многих лет. Гигантские секвойи, которые являются крупнейшими в мире деревьями и крупнейшим живым существом по объему, всегда помогают мне понять нашу связь с чем-то большим, чем мы сами.

В прошлом году эти великие деревья превращались в пепел в результате пожаров. 2017 год был самым разрушительным сезоном лесных пожаров в Калифорнии, и более 9 000 пожаров сжигали около 2200 квадратных миль леса. Наблюдая за разрушением многовековых деревьев, я бросил вызов самому себе найти решение, чтобы остановить эту колоссальную потерю.

Когда мне было 15 лет, я основал некоммерческую организацию Raindrop US, чтобы помочь повысить осведомленность о засухе в Калифорнии. Я также создал «Зеленое общество» в моей школе, в средней школе Monta Vista, чтобы повысить осведомленность о глобальном потеплении. Именно на собраниях этого общества в апреле этого года я начал сотрудничать с Санджаной Шах, другом и сокурницей, чтобы создать постоянное решение для предотвращения лесных пожаров. Санджана разделяет мою страсть к экологическим проблемам и получила множество национальных и международных наград в области окружающей среды, включая Премию Президента США в 2016 году.


 Sanjana Shah и Aditya Shah

Мы решили разработать устройство, которое могло бы определять и прогнозировать области в лесу, которые подвержены пожарам, обеспечивая раннее предупреждение пожарным отделам. Доступные инструменты измеряют большинство факторов, ответственных за лесные пожары, такие как скорость ветра, направление ветра, влажность, температура. Однако биомассу, создаваемую годами падающих ветвей и деревьев, сложно оценить и измерить. Используя TensorFlow, инструмент обучения с открытым исходным кодом Google, мы можем анализировать изображения биомассы и оценивать их содержание и размер влаги, чтобы определить количество мертвого топлива.

Когда содержание влаги в павших ветвях и листьях в лесу составляет 0 процентов, оно классифицируется как мертвое топливо. Когда содержание влаги в топливе велико, пожары не зажигаются легко или вообще, поскольку большая часть тепловой энергии огня используется, пытаясь испариться и вывести воду, чтобы она могла гореть. Когда содержание влаги в топливе невелико, пожары начинают легче и могут быстро распространяться, так как вся тепловая энергия поступает непосредственно в горящее пламя.

Устройство Smart Wildfire Sensor, используемое в сети датчиков, может устранить необходимость в том, чтобы экипажи пожарной безопасности физически посещали лесные территории для сбора проб мертвых видов топлива и классифицировали их вручную. Оно также сможет прогнозировать вероятность лесных пожаров в лесу с уровнем детализации 100 квадратных метров. Прекрасная оценка накопления биомассы может значительно затруднить скорость и свирепость, с которыми распространяются эти пожары, снижая затраты на борьбу с ними и защиту домов и жизней.

Летом прошлого года выявление и захват изображений мертвого топлива, накопленного на лесной почве, было серьезной проблемой. Однако с помощью Cal Fire в трех округах, охватывающих леса в наиболее уязвимых районах для возможных лесных пожаров, мы смогли захватить необходимые изображения для обучения модели машинного обучения. Мы планируем еще раз протестировать наше устройство этим летом, используя наземные и воздушные беспилотные летательные аппараты, чтобы захватить больше изображений биомассы в зонах, подверженных лесной пожаре, для дальнейшего улучшения нашей точности прогноза.

Мы полны решимости полностью и эффективно использовать камеры с высоким разрешением и доступные инструменты для машинного обучения, такие как TensorFlow, чтобы точно предсказать и предотвратить невозвратимую потерю нашей самой драгоценной природы.