آتش‌سوزی‌های جنگلی بزرگ‌تر می‌شوند و جوامع بیشتری را در سراسر جهان تحت تأثیر قرار می‌دهند که اغلب منجر به ویرانی در مقیاس بزرگ می‌شود. همین امسال، جوامع آتش‌سوزی‌های فاجعه‌باری را در یونان، مائوئی و کانادا تجربه کرده‌اند. در حالی که دلایل اساسی منجر به چنین افزایشی پیچیده است – از جمله تغییر الگوهای آب و هوا، شیوه های مدیریت جنگل، سیاست های توسعه کاربری زمین و بسیاری موارد دیگر – واضح است که پیشرفت فناوری ها می تواند به رفع چالش های جدید کمک کند.
در Google Research، ما در تعدادی از تلاش‌های سازگاری با آب و هوا، از جمله استفاده از یادگیری ماشینی (ML) برای کمک به پیشگیری از آتش‌سوزی و ارائه اطلاعات به مردم در طول این رویدادها، سرمایه‌گذاری کرده‌ایم. برای مثال، برای کمک به نقشه‌برداری مرزهای آتش‌سوزی، ردیاب مرز آتش‌سوزی ما از مدل‌های ML و تصاویر ماهواره‌ای برای نقشه‌برداری آتش‌سوزی‌های بزرگ در زمان واقعی با به‌روزرسانی هر ۱۵ دقیقه استفاده می‌کند. برای پیشبرد تلاش‌های تحقیقاتی مختلف، ما با کارشناسان آتش‌سوزی و سازمان‌های دولتی در سراسر جهان همکاری می‌کنیم.
امروز ما مشتاقیم تا اطلاعات بیشتری را در مورد همکاری مداوم خود با خدمات جنگلی ایالات متحده (USFS) برای پیشبرد ابزارهای مدل‌سازی آتش و الگوریتم‌های پیش‌بینی گسترش آتش به اشتراک بگذاریم. با شروع از مدل رفتار آتش سوزی USFS که به تازگی توسعه یافته است، از ML برای کاهش قابل توجه زمان محاسبات استفاده می کنیم، بنابراین مدل را قادر می سازیم تا در زمان واقعی به کار گرفته شود. این مدل جدید همچنین می‌تواند ویژگی‌های سوخت موضعی، مانند نوع و توزیع سوخت را در پیش‌بینی‌های خود بگنجاند. در نهایت، ما یک نسخه اولیه از مدل جدید گسترش آتش سه بعدی با وفاداری بالا را توضیح می دهیم.
وضعیت فعلی هنر در مدل سازی آتش سوزی
امروزه پرکاربردترین مدل‌های رفتار آتش‌سوزی پیشرفته برای عملیات و آموزش آتش بر اساس مدل آتش‌سوزی روترمل است که در آزمایشگاه آتش‌نشانی خدمات جنگلی ایالات متحده توسط روترمل و همکاران در دهه 1970 توسعه یافت. این مدل بسیاری از عوامل کلیدی را که بر گسترش آتش تأثیر می گذارند، مانند تأثیر باد، شیب زمین، سطح رطوبت، بار سوخت (به عنوان مثال، تراکم مواد قابل احتراق در جنگل) و غیره در نظر می گیرد و ارائه می کند. تعادل خوبی بین امکان سنجی محاسباتی و دقت در آن زمان. مدل روترمل در سراسر جامعه مدیریت آتش در سراسر جهان استفاده گسترده ای پیدا کرده است.
ابزارهای عملیاتی مختلفی که از مدل روترمل استفاده می کنند، مانند BEHAVE، FARSITE، FSPro و FlamMap، در طول سال ها توسعه یافته و بهبود یافته اند. این ابزارها و مدل زیربنایی عمدتاً به سه روش مهم استفاده می شوند: (1) برای آموزش آتش نشانان و مدیران آتش نشانی برای توسعه بینش و شهود خود در مورد رفتار آتش، (2) برای تحلیلگران رفتار آتش سوزی برای پیش بینی وقوع آتش سوزی در حین آتش سوزی. عملیات و ایجاد راهنمایی برای آگاهی از وضعیت و برنامه ریزی تخصیص منابع، و (3) برای تجزیه و تحلیل گزینه های مدیریت جنگل در نظر گرفته شده برای کاهش خطرات آتش سوزی در سراسر مناظر بزرگ. امروزه این مدل ها پایه و اساس ایمنی و کارایی عملیات آتش سوزی هستند.
با این حال، محدودیت‌هایی در این مدل‌های پیشرفته وجود دارد که عمدتاً با ساده‌سازی فرآیندهای فیزیکی زیربنایی (که در زمان ایجاد این مدل‌ها ضروری بود) مرتبط است. با ساده‌سازی فیزیک برای تولید پیش‌بینی‌های حالت پایدار، ورودی‌های مورد نیاز برای منابع سوخت و آب و هوا عملی شد، اما در مقایسه با مقادیر قابل اندازه‌گیری، انتزاعی‌تر شد. در نتیجه، این مدل‌ها معمولاً توسط تحلیلگران باتجربه رفتار آتش‌سوزی «تنظیم» و «بهینه‌سازی» می‌شوند تا در موقعیت‌های خاص با دقت بیشتری کار کنند و برای جبران عدم قطعیت‌ها و ویژگی‌های محیطی ناشناخته کار کنند. با این حال، این تنظیمات متخصص به این معنی است که بسیاری از محاسبات قابل تکرار نیستند.
برای غلبه بر این محدودیت‌ها، محققان USFS روی مدل جدیدی کار کرده‌اند تا به شدت وفاداری فیزیکی پیش‌بینی رفتار آتش را بهبود بخشد. این تلاش نشان دهنده اولین تغییر عمده در مدل سازی آتش در 50 سال گذشته است. در حالی که مدل جدید به بهبود رفتار ثبت آتش ادامه می‌دهد، هزینه محاسباتی و زمان استنتاج آن را غیرعملی می‌سازد که در این زمینه یا برای برنامه‌هایی با نیازهای تقریباً زمان واقعی استفاده شود. در یک سناریوی واقعی، برای مفید و کاربردی کردن این مدل در آموزش و عملیات، سرعت حداقل 1000 برابر مورد نیاز است.
شتاب یادگیری ماشین
با همکاری USFS، ما برنامه ای را برای اعمال ML برای کاهش زمان محاسبات برای مدل های پیچیده آتش انجام داده ایم. محققان می‌دانستند که بسیاری از ورودی‌ها و ویژگی‌های پیچیده را می‌توان با استفاده از یک شبکه عصبی عمیق مشخص کرد، و در صورت موفقیت، مدل آموزش‌دیده هزینه محاسباتی و تأخیر ارزیابی سناریوهای جدید را کاهش می‌دهد. یادگیری عمیق شاخه ای از یادگیری ماشین است که از شبکه های عصبی با لایه های پنهان گره های متعددی استفاده می کند که مستقیماً با مشاهدات واقعی مطابقت ندارند. لایه‌های مخفی این مدل امکان نمایشی غنی از سیستم‌های بسیار پیچیده را فراهم می‌کند – یک تکنیک ایده‌آل برای مدل‌سازی گسترش آتش‌سوزی.
ما از مدل‌های پیش‌بینی عددی مبتنی بر فیزیک USFS برای تولید شبیه‌سازی‌های بسیاری از رفتار آتش‌سوزی استفاده کردیم و سپس از این مثال‌های شبیه‌سازی‌شده برای آموزش مدل یادگیری عمیق در ورودی‌ها و ویژگی‌ها استفاده کردیم تا رفتار سیستم را با دقت به بهترین شکل ثبت کنیم. ما متوجه شدیم که مدل یادگیری عمیق می‌تواند با هزینه محاسباتی بسیار پایین‌تری در مقایسه با مدل اصلی کار کند و قادر است رفتارهای ناشی از فرآیندهای مقیاس خوب را بررسی کند. در برخی موارد، زمان محاسبه برای ثبت ویژگی‌های مقیاس ریز که در بالا توضیح داده شد و ارائه تخمین گسترش آتش 100000 برابر سریع‌تر از اجرای مدل‌های عددی مبتنی بر فیزیک بود.
این پروژه از زمان اولین گزارش در ICFFR در دسامبر 2022 به پیشرفت بزرگ خود ادامه داده است. ارائه مشترک Google-USFS در ICFFR 2022 و صفحه پروژه آزمایشگاه آتش نشانی USFS نگاهی اجمالی به کار در حال انجام در این جهت ارائه می دهد. تیم ما مجموعه داده های مورد استفاده برای آموزش را به ترتیبی از 40 تا 550 میلیون نمونه آموزشی گسترش داده است. علاوه بر این، ما یک نمونه اولیه مدل ML را ارائه کرده‌ایم که شریک USFS Fire Lab در حال ادغام آن در یک برنامه آموزشی است که در حال حاضر برای انتشار در سال 2024 در حال توسعه است.
 |
| محققان Google در حال بازدید از آزمایشگاه آتش نشانی USFS در میسولا، MT، در حال توقف هستند آتش بزرگ چاقو مرکز فرماندهی عملیات |
نمایش سوخت ریز دانه
علاوه بر آموزش، یکی دیگر از موارد استفاده کلیدی از مدل جدید برای پیش بینی عملیاتی آتش است. برای استفاده کامل از مزیت‌های قابلیت مدل جدید برای ثبت جزئیات رفتار آتش‌سوزی ناشی از تفاوت‌های کوچک در ساختار سوخت، نقشه‌برداری و نمایش سوخت با وضوح بالا مورد نیاز است. برای این منظور، ما در حال حاضر روی ادغام تصاویر ماهواره‌ای با وضوح بالا و اطلاعات جغرافیایی در مدل‌های ML کار می‌کنیم تا امکان نقشه‌برداری خاص سوخت در مقیاس را فراهم کنیم. برخی از نتایج اولیه در دهمین کنگره بین المللی اکولوژی و مدیریت آتش سوزی در نوامبر 2023 ارائه خواهد شد.
کار آینده
فراتر از همکاری در مدل جدید گسترش آتش، مشکلات مهم و چالش برانگیزی وجود دارد که می تواند به مدیریت و ایمنی آتش کمک کند. بسیاری از چنین مشکلاتی نیازمند مدل‌های آتش دقیق‌تر هستند که به طور کامل برهمکنش‌های جریان سه‌بعدی و دینامیک سیالات، ترمودینامیک و فیزیک احتراق را در نظر بگیرند. چنین محاسبات دقیق معمولاً به رایانه های با کارایی بالا (HPC) یا ابر رایانه ها نیاز دارند.
این مدل‌ها را می‌توان برای اهداف تحقیقاتی و برنامه‌ریزی بلندمدت برای توسعه بینش در مورد سناریوهای توسعه آتش‌سوزی شدید، ساخت مدل‌های طبقه‌بندی ML یا ایجاد یک «شاخص خطر» معنادار با استفاده از نتایج شبیه‌سازی‌شده استفاده کرد. این شبیه‌سازی‌های با وفاداری بالا همچنین می‌توانند برای تکمیل آزمایش‌های فیزیکی که در گسترش مدل‌های عملیاتی ذکر شده در بالا استفاده می‌شوند، استفاده شوند.
در این راستا، تحقیقات گوگل همچنین یک شبیه‌ساز آتش سه‌بعدی با کیفیت بالا را توسعه داده است که می‌تواند بر روی TPUهای Google اجرا شود. در آینده نزدیک، برنامه‌ای برای استفاده بیشتر از این قابلیت جدید برای تقویت آزمایش‌ها و تولید داده‌ها برای ایجاد بینش در مورد توسعه آتش‌سوزی‌های شدید و استفاده از داده‌ها برای طراحی یک طبقه‌بندی کننده خطر آتش سوزی و پروتکل شاخص خطر آتش وجود دارد. .
سپاسگزاریها
ما از مارک فینی، جیسون فورتهوفر، ویلیام چتم و ایساک گرنفل از آزمایشگاه علوم آتش نشانی میسولا خدمات جنگلی ایالات متحده و همکارانمان جان برج، لیلی هو، کینگ وانگ، سنک گازن، ماتیاس ایهمه، ویویان یانگ، فی شا و جان اندرسون برای کمک های اصلی تشکر می کنیم. و بحث های مفید ما همچنین از تایلر راسل برای کمک او در مدیریت و هماهنگی برنامه تشکر می کنیم.