人工智能灭火英文版

用 AI 灭火Wild fi res 是一个日益严重的问题 ， 他们的 fi 名称被全球变暖所煽动IntroductionWild fi res - 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 wildfi res 发布了 9100 万公吨温室气体 CO2进入大气层 ， 相当反对全球 CO2吸收恢复。除了他们的长期环境后果 ， 野生 fi res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 fi res更好地预测 fi re 可以从哪里开始 ， 并且活跃的 fi res 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fi re fi ghters ， 分析数据并选择适当的技术来构建和帮助 fi re fi ghters 解决wildfi res 中的升级。预测野性 fi res 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倡议 ， 由世界带头经济论坛 (WEF) 旨在解决 用 AI 灭火| 一个移动的目标本报告提供一个视图上的一个移动的目标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 wildfi res 。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 fi re 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 fi res 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fi re 行为指数 ， 并每天更新温度 ， 风速 ，全球挑战温暖的礼物wildfi res 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服务。他对 wildfi re 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fi Re 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 fi re -穿过道路等障碍物。 The专注于燃料是一种范式转变从将 wildfi re 视为主要被驱动的瞬间的天气条件。世界。由此产生的数学模型有是进一步研究的基础因为 ， 以及控制方程在 wildfi re 预测软件后面。相对湿度和降水。2大多数预测工具都专注于预测the传播已经点燃的 fi res 。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 fi res2000 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 fi res 影响最大的国家。62 用 AI 灭火| 如何预测 fi re如何预测 fi re“前 fi re ” 和“ 活动 fi re ” 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 fi re ”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 fi res 跟踪他们的起源于人类活动 ， 在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 fi re 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 fi re 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 ： fi res 仍然会发生 ， 但不会 wildfi re 。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 fi re. 湿生物质可能会阻碍wildfi re 的点火和推进。这些是wildfi re 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。Wild fi 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 fi re ” 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。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 fi re ” (传播)独自可能会忽略至关重要的准备时间。在 “前 fi re ” 上定居(爆发) 可能会分散 fi re fi 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 fi re fi 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 “fi re 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 widd fi re 。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 fi re 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 fi re ” 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 fi re 以来的 “前 fi re ” 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 fi re ” 或“ 活动 fi re ” 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 fi re ” 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 fi re ” 问题3.干预措施 -wildfi re 的预期反应“反应 ” 问题3 用 AI 灭火| 建模挑战建模挑战另一个挑战在于平衡一个显著的 fi 不能相关性与 fi tting ： 泛化超出其训练数据的模型是成功的关键。 (Over fi tting ： 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 ？建模挑战正在移动数据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 fi re ” 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 fi re ” 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wildfi re传播. 用于预测野生 fi re 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。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。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wildfi res 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 fi res用来表现用处不大to fi re fi ghters. 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。可用性兼容性可访问性Data需要培训 ， 基本上是重新校准 ， 一机器学习的核心原则操作 （ MLOPS ） 。ContentVolume频