ИИ с огоньком: нейросеть предскажет лесные пожары с точностью 87%
Российские ученые обучили нейросети прогнозировать лесные пожары с точностью до 87%. В отличие от аналогов, система учитывает разнообразную информацию — от погодных данных до активности населения в регионе, что повышает качество предсказаний, рассказали «Известиям» разработчики. Каждый регион РФ имеет свои уникальные особенности, поэтому ИИ необходимо отдельно обучать работе с разными районами страны. Сейчас система проходит испытания на Сахалине. По словам представителей Рослесхоза, в ведомстве ознакомились с разработкой и попросили авторов ее доработать. Как отмечают эксперты, использование нейросетей должно повысить точность прогнозирования природных пожаров, однако для того, чтобы добиться качественных улучшений, необходима большая работа.
ИИ для прогнозирования лесных пожаров
Специалисты Сколтеха разработали систему на основе искусственного интеллекта, которая прогнозирует возникновение лесных пожаров в регионах России. Большинство аналогичных разработок делают подобные предсказания, основываясь на однотипных данных. В отличие от них, новая программа учитывает разнородную информацию. Благодаря этому точность ее прогнозов может достигать 87%. Она зависит от качества сведений, которые получает машина. Сейчас разработка проходит испытания в ряде регионов, например, на Сахалине.
— Мы использовали технологию машинного обучения. Оно проводилось на основе архивных данных за 10 лет о том, был или нет пожар в конкретном месте в конкретное время. Алгоритм анализировал их и сам выявлял закономерности, по которым уже можно делать прогнозы. Так как в каждом регионе страны есть свои особенности, то ИИ для него необходимо обучать отдельно. Для начала мы выбрали несколько пилотных регионов. Обучение нейросети для каждого из них заняло порядка одной недели, — сказала «Известиям» руководитель исследовательской группы Центра искусственного интеллекта Сколтеха Светлана Илларионова.
Прогноз делается на пять дней вперед, так как для него важно иметь надежные данные о погоде. Разработчики добились точности предсказания от 70% до 87% в зависимости от региона. Этого достаточно для практического использования системы, чтобы ответственные органы могли принимать меры по недопущению возгораний. Например, провести увлажнение леса или закрыть туда доступ для посторонних, чтобы не спровоцировать возгорание. Кроме региональных властей, система может быть полезна для исследовательских институтов и других организаций, на деятельность которых могут повлиять лесные пожары. Доступ к ИИ предоставляется по запросу. Система работает на внутренних вычислительных кластерах Сколтеха.
— При анализе ситуации нейросеть использует данные о поверхности Земли, которые получают с помощью методов дистанционного наблюдения со спутников. Это, например, тип растительного покрова и иных поверхностей. Учитывается также вегетационный индекс растительного покрова, который отражает состояние растений и их предрасположенность к возникновению природного пожара. Он считается по специальной математической модели, которая переводит спектральные значения со снимков в целевую величину, — рассказала Светлана Илларионова.
Также в расчет берется высота над уровнем моря, направление склона, уклон, плотность населения и удаленность от дорог. Характеристики рельефа имеют влияние на риск возникновения возгорания. Например, крутые горные склоны менее подвержены возгоранию. Дополнительная информация об удаленности от объектов инфраструктуры характеризует возможность человека провоцировать ЧП в результате неаккуратного обращения с огнем в пожароопасный период. Все измерения предварительно помещаются в общую базу данных, откуда происходят их сбор и дальнейшая обработка.
Из прогноза погоды берется информация об общем и потенциальном испарении, ветре, температуре воздуха, температуре точки росы, количестве выпавших осадков. Эти данные позволяют оценивать достижимость пороговых значений для возгорания различных типов растительности. Скорость ветра дает возможность оценивать предрасположенность среды к распространению огня, то есть вероятность того, что возникшая искра не потухнет, а разрастется в сильное пламя. Кроме того, ИИ рассчитывает индексы пожарной опасности — такие, как, например, показатель Нестерова, который отражает баланс иссушающих и увлажняющих факторов на территории.
В ходе пилотного внедрения, которое проводится в Сахалинской области, специалисты помогли адаптировать алгоритмы к местным особенностям и отработать необходимые сценарии анализа данных, рассказал «Известиям» директор департамента цифровых проектов Министерства цифрового и технологического развития Сахалинской области Дмитрий Евдокимов.
— Пока мы проверяли систему преимущественно в зимний период, когда риск пожаров невелик, но и в этих условиях платформа уже эффективно собирает и обрабатывает большие объемы спутниковых данных, что упрощает прогнозирование природных угроз. К наступающему сезону мы планируем задействовать все функциональные возможности: и по предупреждению пожаров, и по мониторингу других рисков, — отметил он.
Вместе с разработчиками сахалинские специалисты смогут еще точнее настроить модули ИИ и добиться реальной пользы для региона — в части своевременных мер реагирования, анализа экосистем и устойчивого развития территории, добавил Дмитрий Евдокимов.
Развитие систем прогнозирования пожарной опасности
— Мы знаем о проводимой работе Сколтеха над оценкой вероятности возникновения лесных пожаров. Совместно с федеральной Авиалесоохраной и подведомственным институтом ВНИИЛМ мы ознакомились с данной моделью. По итогам встречи мы отметили, что требуется техническая доработка. В новой модели не учитываются такие важные функции, как картирование лесных пожаров, контроль за достоверностью информации о пожарной опасности и возможность формирования отчетов, — сказал начальник Управления охраны лесов от пожаров Рослесхоза Евгений Писаревский.
Работа Сколтеха показывает, в каком направлении надо развивать системы прогнозирования пожарной опасности. Пока это выглядит больше как методика работы с данными. Прогнозы пожарной опасности на разные сроки регулярно публикуются и используются пожарными формированиями. Но их недостаток в не очень высокой достоверности, отметил руководитель проектов по сохранению растительного мира фонда «Природа и люди» Константин Кобяков.
— Сейчас наиболее часто для оценки пожарной опасности используется индекс Нестерова, который показывает, насколько высока пожарная опасность в конкретном месте. Технологии нейросетей позволяют делать прогнозы точнее, чем обычные индексы. В работе Сколтеха учтено довольно большое количество дополнительных данных, которых долгое время не было. Хорошее покрытие космическими снимками появилось буквально недавно и открыло новые возможности, которые использовали разработчики, — сказал он.
Данные о прогнозировании пожаров и оценки актуального уровня пожарной опасности должны ложиться в основу управленческих решений. На их основе можно вводить или снимать особый противопожарный режим, увеличивать кратность патрулирования, вводить временные ограничения на посещение каких-то наиболее пожароопасных мест. Машинное обучение и возможность работать с большим разнообразием открытых данных расширяет эти возможности, считает учредитель Центра профилактики ландшафтных пожаров Григорий Куксин.
— Но такого рода модели пока плохо работают. И в данном случае мы не можем быть уверены в высоком качестве прогнозов. Отчасти проблема в том, что современные подходы и методы прикладываются к теме без учета ее специфики. Например, авторы применяют одни и те же подходы к определению пожаров по термическим аномалиям (объединение термоточек в разные дни в один пожар или в несколько разных) в совершенно разных природных зонах. Такие упрощения сразу очень сильно снижают качество полученных результатов, — отметил.
Эта же команда разработчиков создала аналогичную систему для нужд МЧС. Она учитывает данные из закрытых источников, поэтому доступ к ней имеют только сотрудники ведомства. «Известия» обратились в министерство с запросом о качестве прогнозирования этой разработки.