Meteo e carburante, due dei principali colpevoli di incendi boschivi, sono ora nel mirino di un ricercatore dell'Università dell'Alberta che spera di utilizzare l'apprendimento automatico contro di loro.

Sfruttando l'intelligenza artificiale (AI) per ordinare e mappare risme di dati meteorologici, Mike Flannigan e i co-ricercatori del Canadian Forest Service e dell'Università di Waterloo vogliono prevedere meglio dove potrebbero scoppiare gli incendi boschivi e prendere piede in modo che le agenzie antincendio possano pianificare in anticipo.

"Vogliamo integrare gli strumenti decisionali esistenti in modo che possano fare le migliori chiamate possibili nella gestione degli incendi per aiutare a proteggere le comunità, " ha detto Flanigan.

Individuando dove è probabile che gli incendi mettano radici, le squadre dei vigili del fuoco e gli elicotteri possono essere schierati in modo efficiente, disse Flannigan. Questo preavviso è cruciale quando possono volerci da tre a sette giorni per portare le risorse esterne al fuoco, ha notato.

I responsabili dei vigili del fuoco sarebbero in grado di prevedere condizioni meteorologiche avverse in caso di incendio in una determinata area, determinare se le risorse necessarie sono disponibili e quindi pianificare di averle a portata di mano.

"Ad esempio, se è bagnato in Quebec, gli equipaggi e gli aerei possono essere inviati in Alberta per affrontare gli incendi lì, " Egli ha detto.

Flannigan sta esplorando il potenziale del software di rete neurale che elabora modelli meteorologici e variabili come la temperatura, pressione, umidità e velocità del vento per creare mappe molto più dettagliate di quelle attualmente esistenti.

"Pensa a un bambino che vede un volto umano:iniziano a distinguere le orecchie, naso e occhi, e mentre si distinguono ulteriormente, possono vedere ancora più dettagli come baffi e basette, " ha detto Flannigan. Le reti neurali funzionano in modo simile, per identificare modelli meteorologici gravi in ​​più livelli di dati meteorologici esistenti.

"Potrebbe essere trasformato in una mappa che identificherebbe le aree vulnerabili e a che ora il tempo del fuoco sarebbe grave, " Ha aggiunto.

I ricercatori sono anche interessati a lavorare con i vigili del fuoco per sviluppare un'applicazione per il rilevamento e la mappatura a distanza dei dati sugli strati di combustibile nella foresta.

"Quando c'è un fuoco sul paesaggio, vogliamo sapere in che carburante sta bruciando, come l'erba, conifere e pioppo tremulo. Le agenzie di gestione degli incendi hanno mappe del carburante, ma sono spesso spazialmente grossolani e vogliamo arrivare a una risoluzione molto più fine con molti più dettagli".

Attraverso il telerilevamento, le mappe possono anche essere aggiornate più spesso. Attualmente, potrebbero passare dai 18 ai 20 anni prima che un'area che è stata mappata venga nuovamente valutata, con molti cambiamenti che accadono nel mezzo, ha notato Flannigan.

aggiornato, mappe spaziali riccamente dettagliate possono dare ai responsabili del fuoco un'idea migliore di come il combustibile per il fuoco è strutturato verticalmente e orizzontalmente.

"In un incendio ad alta intensità, una mappa con questa applicazione può aiutare a identificare ciò che chiamiamo combustibili per scale come arbusti di sottobosco (piante che crescono sotto le chiome degli alberi), che permettono al fuoco di diffondersi sulle cime degli alberi, " ha spiegato Flannigan.

"L'attuale sistema universale in uso non ce lo dice; può solo fare supposizioni sul sottobosco. Ma questo nuovo tipo di apprendimento automatico avrà informazioni molto più dettagliate sulla struttura del carburante".

Le applicazioni passeranno attraverso studi pilota nei prossimi due anni per vedere se l'apprendimento automatico può effettivamente migliorare rispetto ai metodi tradizionali. Flannigan, che ha iniziato ad esplorarne le potenzialità con uno dei suoi studenti universitari nel 2016, crede di poterlo fare.

"Non è una panacea, ma per alcuni problemi con grandi volumi di dati da elaborare, l'apprendimento automatico ci consente di vedere relazioni non sempre ovvie utilizzando metodi e approcci tradizionali. Riteniamo che gli approcci di apprendimento automatico per la gestione degli incendi mostrino molte promesse".