Noul model AI prognozează activitatea focului sălbatic prin urmărirea combustibilului, nu doar a riscului de foc

Centrul european pentru prognoze meteo cu rază medie (ECMWF) a dezvoltat un sistem de învățare automată numit modelul de probabilitate de foc (POF) care prezice unde se pot aprinde focuri sălbatice analizând vegetația, activitatea umană și datele meteorologice. Spre deosebire de indicii de pericol tradițional care estimează probabilitatea vremii predispuse la foc, acest model se concentrează pe activitatea reală a incendiilor-înconjurând un instrument mai precis de avertizare timpurie pentru răspunsul și planificarea incendiilor sălbatice.

detaliat într-un ipilyd Communication Communicates a fost publicat în luna aprilie. 1, 2025 , modelul POF folosește o combinație de metrici de vegetație pe bază de satelit, condiții meteorologice și date de aprindere pentru a evalua probabilitatea zilnică a incendiilor pe tot globul.

a fost testat pe date istorice de focuri sălbatice folosind mai multe abordări de învățare automată, inclusiv rețele neurale și păduri aleatorii. Echipa a constatat că XgBoost a oferit constant cele mai precise predicții. Cu toate acestea, alegerea modelului a fost mai puțin importantă decât calitatea și completitudinea datelor de intrare-în special date despre abundența de vegetație și modelele de aprindere. “Folosind date despre caracteristicile combustibilului, aprinderi și
activitatea de foc observată, predicțiile bazate pe date reduc rata falsă-alarmă a prognozelor cu pumnii înalte, îmbunătățindu-și precizia. Acest lucru este posibil prin seturi de date globale de înaltă calitate ale evoluției combustibilului și detectarea incendiilor.”, Au scris autorii studiului.

Modelul se dovedește eficient în evenimentele reale de foc

Unul dintre punctele forte ale modelului POF se află în validarea real-World. It corect, previziunea de focuri de foc sălbatic înaintea celor mai mari 2023 în unele cazuri. Modelul a demonstrat, de asemenea, o precizie în timpul Los Angeles Wildfires în ianuarie 2025 , în curs de dezvoltare a metricelor tradiționale de foc.

Modelul AI, cunoscut sub numele de probabilitatea de foc (POF), a prezis corect unde se vor izbucni incendiile în timpul incendiilor din ianuarie 2025 din Los Angeles, cu mai multă precizie decât modelele tradiționale.

, mai degrabă decât să sune alarme regionale largi bazate pe temperatură și vânt singur, modelul POF evaluează cât de inflamabil este să se identifice pe peisaj și să se identifice pe peisaj și să se întâmple o vegetație. uscat și abundent, apoi se suprapun date de aprindere umană și naturală pentru a-și perfecționa evaluările probabilității. În loc să furnizeze un rating de pericol de incendiu, modelul estimează probabilitatea reală de apariție a incendiilor.

Modelul a fost operat de 2023, de când 202, de la 202, de la 202, de la 2023, de la 2023, de la 202, de la 2023, de la 2023, de la 2023, de la 2023, de la 2023, de la 202, de la 2023, de la 2023, de la 202, de la 2023, de la 202, de la 202, de la 202, de la 2023. din Serviciul de gestionare a situațiilor de urgență Copernicus de la ECMWF , furnizarea de actualizări zilnice care ghidează agențiile naționale și respondenții de urgență. Potrivit ECMWF, încorporarea datelor de vegetație și aprindere de înaltă rezoluție a îmbunătățit abilitatea predictivă cu până la 30%, comparativ cu modelele doar de vreme.

Prognozând focul cu o putere de calcul minimă

În ciuda exactității sale, modelul POF este proiectat pentru a fi eficient de calcul. Nu se bazează pe supercomputerele necesare de obicei pentru simulări meteorologice de înaltă rezoluție. În schimb, poate funcționa pe sisteme relativ modeste, ceea ce îl face accesibil pentru agenții sau țări mai mici cu infrastructură limitată.

Această accesibilitate deschide ușa pentru adoptarea globală mai largă a instrumentelor avansate de predicție a incendiilor, fără ca sarcina cerințelor extreme de hardware. date prin satelit. Conform Ecmwf’s Wildfire Analysis Blogy , Sparky joacă un rol Crucial în Îmbunătățirea fiabilității predicțiilor de risc de incendiu atât în ​​zonele dens împădurite, cât și în cele de pădure.

Activitatea umană este, de asemenea, o componentă majoră a modelului POF. Acesta ingerează date despre densitatea populației, rețele rutiere, activitate de trăsnet și alți reprezentanți de aprindere pentru a simula probabilitatea unei porniri a incendiilor-fie printr-o țigară aruncată, o scânteie dintr-o linie electrică sau o grevă de fulgere.

ECMWF ECMWF Strategia AI se întinde O apăsare mai largă de AI de către ECMWF, care a devenit un jucător cheie în prognoza AI-îmbunătățită. În 2024, ECMWF s-a asociat cu Google pentru a lansa NeuralGCM, un model de prognoză hibrid care îmbină învățarea automată cu fizica atmosferică tradițională. NeuralGCM a demonstrat performanțe superioare în urmărirea ciclonilor și reducerea erorilor de prognoză a temperaturii și umidității cu până la 50%.

Mai târziu în acel an, Google DeepMind a introdus Gencast, un sistem AI bazat pe ansamblu, care a generat prognoze de 15 zile în doar câteva minute folosind un model de difuzie generativă. Gencast a depășit sistemul ENS al ECMWF în 97,2% din scenariile testate.

ECMWF a contribuit, de asemenea, la dezvoltarea Aardvark Weather, un nou model co-creat cu Universitatea din Cambridge, Microsoft Research și Alan Turing Institute. Spre deosebire de simulările bazate pe fizică care necesită resurse grele de calcul, Aardvark ocolește în întregime aceste cerințe. Utilizează învățarea profundă pe datele din satelit și radar în timp real, permițând sistemului să funcționeze pe desktop-uri standard-asigurând prognoze exacte în regiuni cu infrastructură limitată.

AI Precizie vs. disponibilitatea datelor și interpretabilitate

în ciuda performanțelor promițătoare, modelele AI sunt limitări. Precizia lor este la fel de bună ca datele pe care le ingerează. În regiunile care nu au vegetație, aprindere sau aporturi meteorologice în timp util sau detaliate, calitatea de predicție poate suferi. Modelul POF, de exemplu, depinde de furaje de satelit actualizate și de observații ale stației la sol pentru a menține precizia. În medii mai puțin monitorizate, avantajele sale se pot diminua.

O altă provocare este interpretarea. Modelele tradiționale bazate pe fizică oferă meteorologilor explicații fizice clare pentru rezultatele lor, în timp ce sistemele de învățare automată se comportă adesea ca niște cutii negre. This can make it harder for analysts and policymakers to understand or justify decisions based solely on AI-driven probabilities.

The PoF model attempts to address some of these concerns by relying on well-understood variables—like fuel moisture and ignition likelihood—and making its outputs publicly available via the Serviciul de gestionare a situațiilor de urgență Copernicus . De asemenea, este conceput pentru a integra feedback-ul și pentru a se îmbunătăți în timp, deoarece acumulează date de performanță din lumea reală.

Pe măsură ce anotimpurile de foc cresc mai lung și intensitatea focului sălbatic crește, instrumentele de avertizare timpurie precum POF devin esențiale. Cu un design flexibil și o performanță testată la evenimentele majore de incendiu, modelul contribuie deja la pregătirea globală a dezastrelor. În loc să aștepte să apară flăcări, ajută agențiile să planifice unde și când s-ar putea întâmpla scânteia.