Trung tâm Dự báo thời tiết trung bình châu Âu (ECMWF) đã phát triển một hệ thống học máy gọi là mô hình xác suất của lửa (POF) dự đoán nơi cháy rừng có khả năng đốt cháy bằng cách phân tích thực vật, hoạt động của con người và dữ liệu thời tiết. Không giống như các chỉ số nguy hiểm truyền thống ước tính khả năng thời tiết dễ bị cháy, mô hình này tập trung vào hoạt động lửa thực tế, cung cấp một công cụ cảnh báo sớm chính xác hơn cho phản ứng và lập kế hoạch cháy rừng. Được xuất bản vào ngày 1 tháng 4 năm 2025 , mô hình POF sử dụng kết hợp các số liệu thực vật dựa trên vệ tinh, điều kiện thời tiết và dữ liệu đánh lửa để đánh giá xác suất cháy rừng hàng ngày trên toàn cầu. Nhóm nghiên cứu nhận thấy rằng XGBOOST luôn đưa ra những dự đoán chính xác nhất. Tuy nhiên, sự lựa chọn mô hình ít quan trọng hơn chất lượng và tính đầy đủ của dữ liệu đầu vào, đặc biệt là dữ liệu về sự phong phú của thảm thực vật và các mô hình đánh lửa. Bằng cách sử dụng dữ liệu về các đặc điểm nhiên liệu, đánh lửa và
hoạt động của đám cháy được quan sát, dự đoán dựa trên dữ liệu làm giảm tỷ lệ báo động giả của dự báo cao cấp, tăng cường độ chính xác của chúng. src=”https://winbuzzer.com/wp-content/uploads/2025/04/ai-wildfire-prediction.jpg”>
mô hình chứng minh hiệu quả trong các sự kiện cháy rừng thực tế
mô hình AI, được gọi là xác suất lửa (POF), dự đoán chính xác nơi các đám cháy sẽ bùng phát trong vụ cháy rừng Los Angeles tháng 1 năm 2025 với các mô hình truyền thống. Xác định các khu vực nơi thảm thực vật vừa khô và phong phú, sau đó phủ lên dữ liệu đánh lửa của con người và tự nhiên để tinh chỉnh các đánh giá xác suất của nó. Thay vì cung cấp xếp hạng nguy hiểm hỏa hoạn, mô hình ước tính xác suất xảy ra lửa thực tế.
Hoạt động của con người cũng là một thành phần chính của mô hình POF. Nó ăn dữ liệu về mật độ dân số, mạng lưới đường bộ, hoạt động sét và các proxy đánh lửa khác để mô phỏng xác suất của một đám cháy bắt đầu qua một điếu thuốc lá bị loại bỏ, một tia lửa từ đường dây điện, hoặc một cuộc tấn công của Lightning. Một phần của sự thúc đẩy AI rộng hơn của ECMWF, đã trở thành một người chơi quan trọng trong dự báo AI-tăng cường. Năm 2024, ECMWF đã hợp tác với Google để ra mắt NeuralGCM, một mô hình dự báo lai tạo ra học máy với vật lý khí quyển truyền thống. NeuralGCM đã chứng minh hiệu suất vượt trội trong việc theo dõi các lốc xoáy và giảm các lỗi dự báo nhiệt độ và độ ẩm lên tới 50%. Gencast đã vượt qua hệ thống SEN của ECMWF, trong 97,2% các kịch bản được thử nghiệm. Không giống như các mô phỏng dựa trên vật lý yêu cầu tài nguyên điện toán nặng, Aardvark bỏ qua hoàn toàn các yêu cầu đó. Nó sử dụng việc học sâu trên dữ liệu vệ tinh và radar thời gian thực, cho phép hệ thống chạy trên máy tính để bàn tiêu chuẩn, cho biết các dự báo chính xác ở các khu vực có cơ sở hạ tầng hạn chế. Độ chính xác của họ chỉ tốt như dữ liệu họ ăn vào. Ở các khu vực thiếu thực vật kịp thời hoặc chi tiết, đánh lửa hoặc đầu vào khí tượng, chất lượng dự đoán có thể bị ảnh hưởng. Ví dụ, mô hình POF phụ thuộc vào các nguồn cấp dữ liệu vệ tinh cập nhật và quan sát trạm đất để duy trì độ chính xác. Trong các môi trường ít được giám sát, lợi thế của nó có thể giảm dần.
Một thách thức khác là khả năng diễn giải. Các mô hình dựa trên vật lý truyền thống cung cấp cho các nhà khí tượng học giải thích vật lý rõ ràng cho đầu ra của chúng, trong khi các hệ thống học máy thường hoạt động như các hộp đen. Điều này có thể khiến các nhà phân tích và các nhà hoạch định chính sách khó hiểu hoặc biện minh cho các quyết định chỉ dựa trên xác suất điều khiển AI. href=”https://emergency.copernicus.eu/”target=”_ blank”> Dịch vụ quản lý khẩn cấp Copernicus . Nó cũng được thiết kế để tích hợp phản hồi và cải thiện theo thời gian khi nó tích lũy dữ liệu hiệu suất trong thế giới thực. Với thiết kế linh hoạt và hiệu suất được thử nghiệm trong các sự kiện lửa lớn, mô hình đã góp phần vào sự sẵn sàng của thảm họa toàn cầu. Thay vì chờ đợi ngọn lửa xuất hiện, nó giúp các cơ quan lên kế hoạch cho nơi và khi nào tia lửa có thể xảy ra.