Qendra Evropiane për Parashikimet e Motit me rreze të mesme (ECMWF) ka zhvilluar një sistem të mësimit të makinerive të quajtur Modeli i Probabilitetit të Zjarrit (POF) që parashikon se ku zjarret ka të ngjarë të ndezin duke analizuar bimësinë, aktivitetin njerëzor dhe të dhënat e motit. Për dallim nga indekset tradicionale të rrezikut që vlerësojnë mundësinë e motit të prirur nga zjarri, ky model përqendrohet në aktivitetin aktual të zjarrit-duke ofruar një mjet më të saktë të paralajmërimit të hershëm për përgjigje dhe planifikim të zjarrit. 1 Prill 2025 , modeli POF përdor një kombinim të metrikës së bimësisë me bazë satelitore, kushteve të motit dhe të dhënave të ndezjes për të vlerësuar probabilitetin e përditshëm të zjarrit në të gjithë globin. Ekipi zbuloi se XGBOOST vazhdimisht dha parashikimet më të sakta. Sidoqoftë, zgjedhja e modelit ishte më pak e rëndësishme sesa cilësia dhe tërësia e të dhënave hyrëse-veçanërisht të dhënat për bollëkun e bimësisë dhe modelet e ndezjes. “Duke përdorur të dhëna për karakteristikat e karburantit, ndezjet dhe aktivitetin e vërejtur të zjarrit, parashikimet e drejtuara nga të dhënat zvogëlojnë shkallën e alarmit të rremë të parashikimeve të larta të larta, duke rritur saktësinë e tyre. Kjo është bërë e mundur nga të dhënat globale me cilësi të lartë të evolucionit të karburantit dhe zbulimit të zjarrit.”, Shkruante autorët e studimit. src=”https://winbuzzer.com/wp-content/uploads/2025/04/ai-wildfire-rediction.jpg”>
modeli dëshmon efektiv në ngjarjet e vërteta të zjarrit
një nga forcat e modelit POF në vlefshmërinë e tij reale-world. ajo parashikoi saktë modelet e egra të zjarrit përpara zjarreve të majit 2023 në Kanada , duke ofruar kohë të vlefshme të drejtimit të kalimit të rasteve. Modeli gjithashtu demonstroi precizion gjatë
Aktiviteti njerëzor është gjithashtu një përbërës kryesor i modelit POF. Ajo konsumon të dhëna për densitetin e popullsisë, rrjetet rrugore, aktivitetin e rrufesë dhe proxies të tjera të ndezjes për të simuluar mundësinë e fillimit të një zjarri-qoftë përmes një cigareje të hedhur poshtë, një shkëndijë nga një rrymë elektrike, ose një goditje rrufe. Një shtytje më e gjerë e AI nga ECMWF, e cila është bërë një lojtar kryesor në parashikimin e përmirësuar AI. Në vitin 2024, ECMWF partneritet me Google për të filluar NeuralGCM, një model hibrid parashikimi që bashkon mësimin e makinerive me fizikën tradicionale atmosferike. NeuralGCM demonstroi performancë superiore në gjurmimin e cikloneve dhe zvogëlimin e gabimeve të parashikimit të temperaturës dhe lagështisë deri në 50%. Gencast tejkaloi sistemin ENS të ECMWF në 97.2% të skenarëve të testuar. Për dallim nga simulimet e bazuara në fizikë që kërkojnë burime të rënda informatike, Aardvark i anashkalon ato kërkesa plotësisht. Ai përdor mësim të thellë në të dhënat e satelitit dhe radarit në kohë në kohë reale, duke lejuar sistemin të funksionojë në desktops standarde-duke mundësuar parashikime të sakta në rajone me infrastrukturë të kufizuar. Saktësia e tyre është po aq e mirë sa të dhënat që ata konsumojnë. Në rajone që kanë mungesë të bimësisë në kohë ose të hollësishme, ndezje ose inputet meteorologjike, cilësia e parashikimit mund të vuajë. Modeli POF, për shembull, varet nga burimet e azhurnuara satelitore dhe vëzhgimet e stacionit tokësor për të ruajtur saktësinë. Në mjedise më pak të monitoruara, avantazhet e tij mund të zvogëlohen.
Një sfidë tjetër është interpretimi. Modelet tradicionale të bazuara në fizikë ofrojnë meteorologë shpjegime të qarta fizike për rezultatet e tyre, ndërsa sistemet e mësimit të makinerive shpesh sillen si kuti të zeza. Kjo mund ta bëjë më të vështirë për analistët dhe politikëbërësit të kuptojnë ose të justifikojnë vendimet bazuar vetëm në probabilitetet e drejtuara nga AI. Target=”_ bosh”> Shërbimi i Menaxhimit të Emergjencave të Copernicus . Ai është krijuar gjithashtu për të integruar reagimet dhe për të përmirësuar me kalimin e kohës pasi grumbullon të dhëna të performancës në botën reale. Me një dizajn fleksibël dhe performancën e testuar në ngjarjet kryesore të zjarrit, modeli tashmë po kontribuon në gatishmërinë globale të katastrofës. Në vend që të presë që të shfaqen flakët, ajo ndihmon agjencitë të planifikojnë ku dhe kur mund të ndodhë shkëndija.