人工智能灭火英文版

Wildfires是一个日益严重的问题，他们的fi名称被全球变暖所煽动 Introduction Wildfires -一个可怕的，但绝不是新现象-变得更加司空见惯，逃避环境平衡和加剧导致他们的条件频率和严重性。加利福尼亚2020年的wildfires发布了9100万公吨温室气体CO2进入大气层，相当反对全球CO2吸收森林容量估计为76亿每年公吨。1随之而来的是实质性的和持久的-什么在几天内失去了可以需要几代人 恢复。除了他们的长期环境后果，野生fires将废物浪费在自然资源上，并且可以伤害或悲惨地结束生命居民和那些冒着生命危险和肢体的人控制了地狱. fi战斗中的机会之一通过使用人工fi智能(AI)帮助那些fi战斗fires更好地预测fire可以从哪里开始，并且活跃的fires可能会如何传播。 德勤和英伟达在这一举措，研究全球fi的历史和趋势，与众多firefighters，分析数据并选择适当的技术来构建和帮助firefighters解决wildfires中的升级。 预测野性fires一直是研究了几十年，但他们的成长数量和尺寸要求更多关注和更好的工具来解决这个问题环境问题。The FireAID倡议，由世界带头经济论坛(WEF)旨在解决 本报告提供一个视图上的全球挑战温暖的礼物wildfires的建模以及数据、工具如何和技术可以在fi中提供帮助反对其中的一个最强大的气候的影响周围的变化世界。 一个移动的目标 Firefi打火机的脸可能面临上坡战斗干燥的植被更快点燃，无视基于经验的预测并将资源和预算置于压力。及时回应至关重要，选择正确的干预措施也是如此措施。这激发了研究和过去的商业行为几十年来，其中大部分植根于理查德·C·罗瑟梅尔在1972年为美国农业部林业表演服务。他对wildfire的研究是7fi首先量化“燃料”的重要性，可燃的活的或死的物质fiRe的路径，如草原或forests. Rothermel categorizedicated di夫erering燃料类型之间的燃烧特性-草原,灌木丛,森林,到不同的树种-以及树叶的密度和水分地面土壤。他的研究也捕获了细节，如火花扫过进入fi的上升气流，后来下降附近的植被和推进fire -穿过道路等障碍物。The专注于燃料是一种范式转变从将wildfire视为主要被驱动的瞬间的天气条件。 气候变化对这两个发病率和野生fi的强度，这使得预测他们变得越来越多挑战。气温上升受影响的天气模式，正在减少自然防御，如定期降雨和河流由白雪覆盖mountains. drier ground soil, grasslands和森林为要点燃和传播的wildfires。更改对地形和天气的预测减弱历史数据的力量，放置世界在来之不易的陌生领域经验和直觉可能不再像以前一样可靠地工作。很清楚这一点，各地的环保部门世界确实考虑了环境条件在他们的fire风险指标中。积累指数（BUI）专注于“燃料”，可燃脆弱森林中的有机质和灌木丛。初始价差指数(ISI)通过整合e夫等来补充BUI风。BUI和ISI与两者都相关野生fi重新爆发的风险和比率哪些现有的fires传播。他们的集体在加拿大大火中被捕获天气指数(FWI)，它结合了三个燃料水分代码以及三个fire行为指数，并每天更新温度，风速，2 由此产生的数学模型有是进一步研究的基础因为，以及控制方程大多数预测工具都专注于预测the传播已经点燃的fires。他们的预测也有限准确性. This new effort aspires to arriving技术的进步，特别是人工智能和高性能计算，以提高基于Rothermel和那些跟随他脚步的人。 这些指标描绘了一幅令人担忧的画面。FWI已经持续了50年。过去的18年中看到的最多3广泛的损害。有4自那时以来，大约有150万野生fires2000年，其中237起燃烧超过100, 000起英亩和15超过500, 000英亩。自2000年，平均有700万英亩每年燃烧330万前十年。火灾危险区域是5预计在3°C下将增长近一倍欧洲的全球变暖情景受森林fires影响最大的国家。6 如何预测fire 有时特征可能有一个逆等爆发或蔓延。道路，用于例如，是人类活动的代理，与疫情呈正相关。然而，它们可能是负相关的随着fire的传播，充当了一个前进的fi重新前沿。其他例子包括人口密度和生物量。在某种程度上，人口密度可能意味着人类造成fire的风险更大。然而，在一定密度之后，我们可以安全地假定一个沥青城市区域：fires仍然会发生，但不会wildfire。生物质也存在双重性，即燃料的指标。干生物质是高度可燃和良好的风险指标对于fire.湿生物质可能会阻碍wildfire的点火和推进。这些是wildfire的非线性示例预测问题和为什么历史方法取得了有限的成功。正确核算所有投入，他们的与预测的(非线性)相关性目标，它们之间的相互关系是复杂和计算密集事业。这是捷径的沃土AI发现的模式。 “前fire ”和“活动fire ”是两个非常不同的问题，在fi中只在部分由相同的因素决定。“前fire”wildfi重新爆发的问题是驱动的结合天气条件，地面条件和人类活动。值得注意的是：大多数野生fires跟踪他们的起源于人类活动，在美国，包括未熄灭8香烟、校园fi、有故障的电源线或其他原因。的“主动fire”问题wildfi的再传播不仅取决于天气和燃料，但也在地形诸如地形倾斜和-除非fi重新修复措施-更不用说关于人类活动的两个问题不仅在功能重要性上，而且在问题的本质。 Wildfi重新预测既有一个地理空间和时间维度。任何应用的AI方法都必须很好适应预测两者那些维度。构建的算法解决其他的，一般类似问题提供了一个良好的开端点。地理空间可以被视为计算机视觉问题，时态作为一个时间序列预测问题。自动驾驶等示例和天气预报包含两个维度，打开新野生fi重新预测的机会。 之前应该回答关键问题深入研究技术本身：什么是确切的预测目标是什么范围？限制为“活动fire”(传播)独自可能会忽略至关重要的准备时间。在“前fire”上定居(爆发)可能会分散firefi的注意力有太多的可能性。多么精确预测必须是为了改善传统技术？什么是预测范围？更高的准确性可能是可以实现的，如果限于24小时，但可能会无意中剥夺firefi的超出该范围的相关信息。即使更长期的预测变得更少确切地说，它们可能仍然有价值。 有一个方面的随机性限制了“fire前”爆发的问题对任何数量潜力的可预测性燃料可以点燃的区域，更确切地说而不是准确地指出其中的哪一个区域将导致widdfire。一个地区的爆发主要取决于其边界内的条件，如点火从相邻区域传输的是传播问题。这种动态似乎可以减少爆发只预测时间问题，为每个区域提供完美的信息。结合天气，燃料，地形和人类活动数据信息远非完美或甚至制服，给予更大的相关性来自相邻区域的信息。 这些问题说明了野性fi是如何风险管理需要一个集合的预测。为了针对每个单独预测地平线，德勤野生fire风险管理的策略包括三个预测目标-三个不同的问题： 预测的“主动fire”问题潜在的传播途径是固有地依赖于来自邻近地区。而有继续作为随机性的元素，它不同于自fire以来的“前fire”问题已经点燃。传播可以是合理地建模更确定性结合模式识别时空模型的组成部分与已知的物理动力学。对于这些原因，任何有用的预测“前fire”或“活动fire”的模型将必然解决这两个时间和空间上下文，需要更多的复杂的建筑。 1.“前fire”问题野性fi重新爆发的概率- 2.和速度)的野性fi重新传播-预测速度(轨迹“主动fire”问题 3.干预措施-wildfire的预期反应“反应”问题 一个显著的fi不能建模挑战正在移动数据分布由全球带来气候变暖改变可以是等天气模式,地面水分,生物量和许多其他方面的因素我们只能部分理解。 建模挑战 另一个挑战在于平衡相关性与fitting：泛化超出其训练数据的模型是成功的关键。(Overfitting：一个模型与其训练数据完全相关将有效地只能预测训练集，通常是壮观的-尝试预测新的失败时输入数据。)此主体提出了一个中央平衡模型的设计问题复杂性、准确性和eC效率：对于实例，无论是单个大型模型还是多个专用型号(例如每个地理)将享有更高的预测力量。模型可以学习到什么程度来自一个更大的数据池，充满了多重-维度模式？或者做大型模型只是变得站不住脚，陷入困境按权重特征所需的复杂性这取决于其他特征，捕捉复杂的组合一个地理区域到另一个地理区域？ 这是典型的解决问题AI，我们处理的是概率，而不是确定性。超越单纯的随机噪声变化，有一个复杂的外部沿地理空间和我们最多只能做到的时间维度，估计为随机的。这些特别是与“前fire”问题有关的尖锐问题：何时何地闪电可能罢工，或者哪些徒步旅行者可能不正确放一支香烟沿着哪一部分他们的旅程。“主动fire”问题对不可预测的并不完全免疫外部因素，但我们估计可建模的因子具有su效度控制大多数行为的重量wildfire传播.用于预测野生fire的爆发，我们必须提供热图的内容整个地理区域的概率正在考虑的区域，这些区域点火条件。 可以说，最关键的成分建立有效的AI模型是数据。到甚至保证了人工智能的方法，一种有意义的数量需要的数据-广泛的特征选择和有效地长历史记录。此数据需要具有代表性和足够的质量-准确接地complete readings. Given the"nowcasting"预测问题的即时性，数据是及时、经常需要的更新的时尚：时间维度。为了提供有用的指导，数据必须以合理的粒度可用或分辨率：地理空间维度。同样重要的考虑因素是可访问性、采购成本和易用性处理(例如，大小、格式和元数据)。 一个显著的fi不能建模挑战正在转移全球带来的数据分布变暖。气候变化可以影响天气模式，地面水分，生物量和许多其他因素的方式我们可能只能部分理解。尽管如此，我们可以安全地假设wildfires将变得更加普遍更凶猛的背景更高的温度和更干燥的燃料。这给机器学习(ML)带来了风险预测方法，即数据对哪些模型进行训练可能很快不再代表那些模型在运行中会遇到，显著的fi阻碍了模型的预测能力。预测的模型如何野性fires用来表现用处不大tofirefighters. It is therefore可靠的ML模型，以确保培训数据不仅在培训的时间，也是未来的时间。帮助管理的有效措施这种稳健性风险是频繁的。培训，基本上是重新校准，一机器学习的核心原则操作（MLOPS）。 预测可能需要10 - 50次该覆盖范围是有效的。免费版本不是一个选项(除了用于静态地形数据)由于零星的更新频率。自定义数据源比如无人机可以提供一个戏剧性的更高的地理空间和时间分辨率收集wildfire传播数据在选定的区域，但这可能需要对硬件和他们的行动。无人驾驶飞行器（无人机）已经在一些国家使用。他们不仅可以提供近距离侦察而不危及firefi打火机，他们也可以发挥积极作用在fi重新防御中的作用，通过点燃先发制人受控烧伤以饿死野人fire特定途径中的燃料。9Some森林甚至配备了先进的烟雾探测器。10实验也是正在扩展传感能力使用麦克风和调整的算法fire和野生动物的刺耳声音对fire的反应。11 • ERA5-包含一组广泛的功能可以追溯到1959年。缺点:它每4 - 6周更新一次不包含预测信息。它也是不经常更新为快速变化的疫情风险或进展fire - front，但是它提供了充足的训练预测模型的历史。 但是fi首先，我们需要哪些变量(特征)需要预测吗？从罗瑟梅尔，数据需求大致分为三类： •地形-地形的静态特征，高度,倾斜,自然地标如湖泊、河流、山顶和人造地标，如远足路径、道路和电力线。(人造地标也是一个代表人类活动，是人类活动的关键组成部分野性fi再爆发的“前fi再”问题。) 德勤的方法最大化了通过拆分每个数据集来使用两个数据集预测目标-疫情和扩散到一个两阶段的问题： • Fuel-逐渐演变的特征表面条件，如水分土