Mens frontlinjemannskaper kjempet mot den verste brannsesongen i British Columbias historie, et pilotprosjektDet fant sted i et frenetisk tempo ved BC Wildfire Service-hovedkvarteret i Kamloops.
Supp. fra Predictive Services Neal McLoughlin og teamet hans brukte store deler av 2023 på å distribuere to AI-programmer for å analysere Kamloops og Coastal Fire Centers og utføre arbeidet som vanligvis gjøres av menneskelige analytikere: å ta datainndata om geografiske forhold, værprognoser, tørkeforhold, også detaljerte data beskrivelser av vegetasjonstypen der den er ny branner brøt ut.
«(Når det gjøres av mennesker) vil en typisk responstid være to til fire timer for en brannsimulering, og du kan ha 14 på en dag,» sa han i et eksklusivt intervju med CTV News. «I fjor klarte vi sannsynligvis minst 200 branner om dagen, og noen av disse brannene ville gjenta og simulere en gang til på én dag når en ny værmelding kom inn.»
Det betyr at beslutningstakere ikke trenger å vente med å vurdere hvilket utstyr og personell som bør gå hvor, noe som kan utgjøre en forskjell når de reagerer på den typen eksplosive vekst i skogbranner BC så i fjor.
Fra og med mars gjennomgikk hele provinsen AI-analyse på et tidspunkt da brannsesongen har avtatt på grunn av kjølig, vått vær i de fleste områder. Dette gjorde at teamet kunne følge nøye med på færre branner for å evaluere hvor godt de parallelle programmene spådde hva skjer når nye branner starter.
Canadian FireCast og American Wildfire Analyst-programvare gir vanligvis lignende resultater, men gir noen ganger motstridende spådommer om hvor og hvor raskt en brann kan spre seg. Foreløpig vil de bruke begge systemene for å sammenligne resultater.
Maskinlæring kan spare verdifull tid
De siste årene har vedvarende tørkeforhold og stormer utløst hundrevis av branner, hvorav noen har ødelagt infrastruktur og hjem.
Selv om datamodellering har blitt brukt i mange år, kan arbeidskraften som trengs for å forutsi brannvekst rett og slett ikke holde tritt når det er hundrevis av branner som brenner samtidig og begrensede ressurser å sette inn. Å ha en digital assistent som raskt kan ta på seg det mest utfordrende arbeidet kan føre til en raskere og mer informert implementering.
«Det tar mye av det travle arbeidet ut av oss og lar oss komme i forkant av brannen,» sa McLoughlin. «Impulsen er å skru klokken tilbake slik at vi har mer tid til å tenke på hva en brann kan gjøre, tenke på hvordan vi faktisk vil bruke ressurser og svare på en brann før noe i det hele tatt skjer.»
I overskuelig fremtid vil BCWS beholde maskinlæringsresultater i organisasjonen, ettersom den ikke bare er avhengig av modellering og tar flere faktorer i betraktning før de bestemmer seg for hvordan – og til og med om, når i fjerntliggende områder – skal bekjempe et problem. Brann. Som med alle modeller, er det lagt vekt på at anslag representerer hva som kan skje, ikke hva som definitivt vil skje.
En casestudie
AI-programmer analyserte antallet og forholdene rundt Horsethief Creek-brannen i Kootenays, som begynte å brenne i slutten av juli i fjor og førte til evakueringsordre og begrenset tilgang til farlige områder.
Prognosen deres så at brannen kom farlig nær Invermere, noe som påvirket BCWSs beslutning om å bekjempe brannen fra den østlige flanken for å unngå det verste scenarioet. Etter et alvorlig angrep som varte i flere uker, ble brannen endelig begrenset til en brøkdel av området som modeller indikerte kunne ha brent uten innblanding fra brannmenn.
De to systemene fungerer med svært begrensede datasett, som er forskjellig fra store språkmodeller som ChatGPT, og gir mer pålitelige resultater med svært spesifikke mål. Det betyr også at BCWS kan begynne å tilpasse hva de ønsker skal være en del av analysen, noe de sakte vil gjøre i løpet av de neste årene.
McLoughlin understreket at mennesker fortsatt bestemmer hva de skal gjøre, og at «dette erstatter ikke mennesker, men det det lar oss gjøre er å gi informasjon til beslutningstakere på en mer tidsriktig måte og dekke mye mer beslutningstaking.» provinsen når vi har tunge brannsesonger som 2023.»
«Ond alkoholelsker. Twitter-narkoman. Fremtidig tenåringsidol. Leser. Matelsker. Introvert. Kaffeevangelist. Typisk baconentusiast.»