Pusat Eropa untuk Prakiraan Cuaca Jangka Menengah (ECMWF) telah mengembangkan sistem pembelajaran mesin yang disebut model Probability of Fire (POF) yang memprediksi di mana kebakaran hutan cenderung menyala dengan menganalisis vegetasi, aktivitas manusia, dan data cuaca. Tidak seperti indeks bahaya tradisional yang memperkirakan kemungkinan cuaca rentan api, model ini berfokus pada aktivitas kebakaran aktual-menawarkan alat peringatan dini yang lebih tepat untuk respons dan perencanaan kebakaran. 1, 2025 , model POF menggunakan kombinasi metrik vegetasi berbasis satelit, kondisi cuaca, dan data pengapian untuk menilai probabilitas kebakaran harian di seluruh dunia.
Diuji pada data kebakaran historis menggunakan beberapa pendekatan pembelajaran mesin, termasuk jaringan saraf dan hutan acak. Tim menemukan bahwa XGBoost secara konsisten memberikan prediksi yang paling akurat. Namun, pilihan model kurang penting daripada kualitas dan kelengkapan data input-terutama data tentang kelimpahan vegetasi dan pola pengapian. “Dengan menggunakan data tentang karakteristik bahan bakar, pengapian dan
aktivitas kebakaran yang diamati, prediksi berbasis data mengurangi tingkat alarm-false dari prakiraan pencahayaan tinggi, meningkatkan akurasi mereka. Hal ini dimungkinkan oleh kumpulan data global evolusi bahan bakar yang berkualitas tinggi.”src=”https://winbuzzer.com/wp-content/uploads/2025/04/ai-wildfire-prediction.jpg”>
Model terbukti efektif dalam peristiwa kebakaran nyata
Salah satu kekuatan POF dalam kekuatan real-nya. Los Angeles wildfires in January 2025, outperforming traditional fire danger metrics that often overestimate risk in dry but fuel-limited Daerah.
Model AI, yang dikenal sebagai probabilitas api (POF), dengan benar diprediksi di mana kebakaran akan pecah selama Januari 2025 Los Angeles kebakaran hutan dengan lebih banyak presisi daripada model tradisional.
Dari. PRANT. Mengidentifikasi area di mana vegetasi kering dan berlimpah, kemudian overlay data pengapian manusia dan alami untuk memperbaiki penilaian probabilitasnya. Rather than providing a fire danger rating, the model estimates the actual probability of fire occurrence.
The model has been operational since 2023 as part of Layanan Manajemen Darurat Copernicus ECMWF , memberikan pembaruan harian yang memandu lembaga nasional dan responden darurat. Menurut ECMWF, menggabungkan vegetasi resolusi tinggi dan data pengapian meningkatkan keterampilan prediktif hingga 30% dibandingkan dengan model cuaca saja.
peramalan api dengan daya komputasi minimal
Meskipun ada akurasi, model POF dirancang agar hemat komputasi. Itu tidak bergantung pada superkomputer yang biasanya diperlukan untuk simulasi cuaca resolusi tinggi. Instead, it can run on relatively modest systems, making it accessible to smaller agencies or countries with limited infrastructure.
This accessibility opens the door for broader global adoption of advanced fire prediction tools without the burden of extreme hardware requirements.
At the core of the PoF framework is ECMWF’s SPARKY model—a vegetation monitoring tool that estimates live and dead fuel moisture content based on recent weather conditions and data satelit. Menurut blog analisis liar ECMWF, apakah akan menjadi target”_ _ blank”> ECMWF’s Analisis Wildfire. Meningkatkan keandalan prediksi risiko kebakaran di kedua daerah yang berhutan lebat dan semak belukar.
Aktivitas manusia juga merupakan komponen utama dari model POF. It ingests data on population density, road networks, lightning activity, and other ignition proxies to simulate the probability of a fire starting—whether through a discarded cigarette, a spark from a powerline, or a lightning strike.
ECMWF’s Ecmwf’s AI Strategy Spans Wildfire, Weather, and Climate Forecasting
The PoF model is part dari dorongan AI yang lebih luas oleh ECMWF, yang telah menjadi pemain kunci dalam peramalan yang ditingkatkan AI. Pada tahun 2024, ECMWF bermitra dengan Google untuk meluncurkan NeuralGCM, model peramalan hybrid yang menggabungkan pembelajaran mesin dengan fisika atmosfer tradisional. NeuralGCM menunjukkan kinerja superior dalam melacak siklon dan mengurangi kesalahan perkiraan suhu dan kelembaban hingga 50%.
Belakangan tahun itu, Google Deepmind memperkenalkan Gencast, sistem AI berbasis ensemble yang menghasilkan perkiraan 15 hari dalam hanya beberapa menit menggunakan model difusi generatif. Gencast melampaui sistem ENS ECMWF sendiri di 97,2% skenario yang diuji.
ECMWF juga berkontribusi pada pengembangan cuaca Aardvark, model baru yang diciptakan bersama dengan University of Cambridge, Microsoft Research, dan Alan Turing Institute. Tidak seperti simulasi berbasis fisika yang membutuhkan sumber daya komputasi yang berat, Aardvark mem-bypass sepenuhnya persyaratan tersebut. Ini menggunakan pembelajaran mendalam pada data satelit dan radar waktu nyata, memungkinkan sistem untuk berjalan pada desktop standar-memungkinkan perkiraan yang akurat di wilayah dengan infrastruktur terbatas.
AI Accuracy vs ketersediaan data dan interpretabilitas
Meskipun kinerja yang menjanjikan, AI datang dengan batas. Akurasi mereka hanya sebagus data yang mereka konsumsi. Di daerah yang tidak memiliki input vegetasi, pengapian, atau meteorologis yang tepat waktu atau terperinci, kualitas prediksi mungkin menderita. Model POF, misalnya, tergantung pada pakan satelit terkini dan pengamatan stasiun tanah untuk mempertahankan akurasi. Dalam lingkungan yang kurang dimonitor, keunggulannya dapat berkurang.
Tantangan lain adalah interpretabilitas. Model berbasis fisika tradisional menawarkan penjelasan fisik yang jelas untuk output mereka, sementara sistem pembelajaran mesin sering berperilaku seperti kotak hitam. Hal ini dapat mempersulit analis dan pembuat kebijakan untuk memahami atau membenarkan keputusan hanya berdasarkan probabilitas yang digerakkan oleh AI.
Model POF berupaya untuk mengatasi beberapa masalah ini dengan mengandalkan variabel yang dipahami dengan baik-seperti kelembaban bahan bakar dan penginteguhan. href=”https://emergency.copernicus.eu/”target=”_ blank”> Layanan Manajemen Darurat Copernicus . Ini juga dirancang untuk mengintegrasikan umpan balik dan meningkatkan dari waktu ke waktu karena mengumpulkan data kinerja dunia nyata.
Ketika musim kebakaran tumbuh lebih lama dan intensitas kebakaran meningkat, alat peringatan awal seperti POF menjadi penting. Dengan desain yang fleksibel dan kinerja yang diuji dalam peristiwa kebakaran besar, model ini sudah berkontribusi pada kesiapan bencana global. Daripada menunggu api muncul, ini membantu agensi merencanakan di mana dan kapan percikan mungkin terjadi.