Model AI baru meramalkan aktiviti liar dengan menjejaki bahan api, bukan hanya risiko kebakaran

Pusat Eropah untuk ramalan cuaca sederhana (ECMWF) telah membangunkan sistem pembelajaran mesin yang dikenali sebagai kebarangkalian kebakaran (POF) yang meramalkan di mana kebakaran hutan mungkin menyala dengan menganalisis tumbuh-tumbuhan, aktiviti manusia, dan data cuaca. Tidak seperti indeks bahaya tradisional yang menganggarkan kemungkinan cuaca rawan kebakaran, model ini memberi tumpuan kepada aktiviti kebakaran sebenar-menawarkan alat amaran awal yang lebih tepat untuk respons dan perancangan liar.

Diterbitkan pada 1 April 2025 , model POF menggunakan gabungan metrik tumbuh-tumbuhan berasaskan satelit, keadaan cuaca, dan data pencucuhan untuk menilai kebarangkalian kebakaran harian di seluruh dunia. Pasukan mendapati bahawa XGBoost secara konsisten menyampaikan ramalan yang paling tepat. Walau bagaimanapun, pilihan model kurang penting daripada kualiti dan kesempurnaan data input-terutamanya data mengenai kelimpahan tumbuh-tumbuhan dan corak pencucuhan. “Dengan menggunakan data mengenai ciri-ciri bahan api, pencucuhan dan aktiviti kebakaran yang diperhatikan, ramalan yang didorong oleh data mengurangkan kadar penggera palsu ramalan tinggi, meningkatkan ketepatannya. src=”https://winbuzzer.com/wp-content/uploads/2025/04/ai-wildfire-prediction.jpg”>

Model ini juga menunjukkan ketepatan semasa Model AI, yang dikenali sebagai kebarangkalian kebakaran (POF), dengan betul meramalkan di mana kebakaran akan keluar pada bulan Januari 2025 Los Angeles Wildfires dengan lebih ketepatan daripada model tradisional. Kering dan berlimpah, kemudian mengatasi data pencucuhan manusia dan semulajadi untuk memperbaiki penilaian kebarangkaliannya. Daripada memberikan penarafan bahaya kebakaran, model menganggarkan kebarangkalian sebenar kebakaran.

Model

Aktiviti manusia juga merupakan komponen utama model POF. Ia menelan data mengenai kepadatan penduduk, rangkaian jalan raya, aktiviti kilat, dan proksi pencucuhan yang lain untuk mensimulasikan kebarangkalian kebakaran yang bermula-sama ada melalui rokok yang dibuang, dari powerbine

daripada dorongan AI yang lebih luas oleh ECMWF, yang telah menjadi pemain utama dalam ramalan AI-Enhanced. Pada tahun 2024, ECMWF bekerjasama dengan Google untuk melancarkan NeuralGCM, model ramalan hibrid yang menggabungkan pembelajaran mesin dengan fizik atmosfera tradisional. NeuralGCM menunjukkan prestasi unggul dalam mengesan siklon dan mengurangkan suhu dan kelembapan meramalkan kesilapan sehingga 50%.

Pada tahun itu, Google Deepmind memperkenalkan Gencast, sistem AI berasaskan ensemble yang menghasilkan ramalan 15 hari dalam beberapa minit menggunakan model penyebaran generatif. Gencast melepasi sistem ECMWF sendiri ECMWF dalam 97.2% senario yang diuji. Tidak seperti simulasi berasaskan fizik yang memerlukan sumber pengkomputeran berat, Aardvark memintas keperluan tersebut sepenuhnya. Ia menggunakan pembelajaran mendalam pada data satelit dan radar masa nyata, yang membolehkan sistem dijalankan pada desktop standard-membolehkan ramalan yang tepat di kawasan dengan infrastruktur yang terhad. Ketepatan mereka hanya sebaik data mereka menelan. Di kawasan yang kurang tumbuh-tumbuhan, pencucuhan, atau input meteorologi yang tepat pada masanya atau terperinci, kualiti ramalan mungkin menderita. Model POF, misalnya, bergantung kepada suapan satelit terkini dan pemerhatian stesen tanah untuk mengekalkan ketepatan. Dalam persekitaran yang kurang dipantau, kelebihannya boleh berkurang.

Satu lagi cabaran adalah tafsiran. Model berasaskan fizik tradisional menawarkan meteorologi yang jelas penjelasan fizikal untuk output mereka, sementara sistem pembelajaran mesin sering berkelakuan seperti kotak hitam. Ini boleh menjadikannya lebih sukar bagi penganalisis dan pembuat dasar untuk memahami atau membenarkan keputusan berdasarkan kebarangkalian yang didorong oleh AI. href=”https://emergency.copernicus.eu/”target=”_ blank”> Perkhidmatan Pengurusan Kecemasan Copernicus . Ia juga direka untuk mengintegrasikan maklum balas dan memperbaiki dari masa ke masa kerana ia mengumpul data prestasi dunia nyata.

Apabila musim kebakaran berkembang lebih lama dan peningkatan intensiti kebakaran, alat-alat amaran awal seperti POF menjadi penting. Dengan reka bentuk yang fleksibel dan prestasi yang diuji dalam peristiwa kebakaran utama, model ini telah menyumbang kepada kesediaan bencana global. Daripada menunggu api muncul, ia membantu agensi merancang untuk di mana dan bila percikan api mungkin berlaku.