با افزایش دمای جهانی، آتش‌سوزی‌های جنگلی در سراسر جهان مکرر و خطرناک‌تر می‌شوند. اثرات آنها توسط بسیاری از جوامع احساس می شود زیرا مردم خانه های خود را تخلیه می کنند یا حتی از نزدیکی به آتش و دود آسیب می بینند.
به عنوان بخشی از مأموریت Google برای کمک به مردم برای دسترسی به اطلاعات قابل اعتماد در لحظات حساس، از تصاویر ماهواره‌ای و یادگیری ماشینی (ML) برای ردیابی آتش‌سوزی‌ها و اطلاع‌رسانی به جوامع آسیب‌دیده استفاده می‌کنیم. ردیاب آتش سوزی ما اخیراً گسترش یافته است. اطلاعات مرز آتش را هر 10 تا 15 دقیقه به‌روزرسانی می‌کند، نسبت به محصولات ماهواره‌ای مشابه دقیق‌تر است و کار قبلی ما را بهبود می‌بخشد. این مرزها برای آتش سوزی های بزرگ در قاره ایالات متحده، مکزیک، و بیشتر کانادا و استرالیا نشان داده شده است. آنها به همراه اطلاعات اضافی از مقامات محلی در جستجوی Google و Google Maps نمایش داده می‌شوند و به مردم اجازه می‌دهند تا از خطرات احتمالی نزدیک خود، خانه‌ها یا عزیزان خود ایمن باشند و از خطرات احتمالی مطلع شوند.
ورودی ها
ردیابی مرز آتش‌سوزی مستلزم متعادل کردن وضوح مکانی و فرکانس به‌روزرسانی است. مقیاس‌پذیرترین روش برای به‌روزرسانی مکرر مرز، استفاده از ماهواره‌های زمین‌ایستا، یعنی ماهواره‌هایی است که هر 24 ساعت یک بار به دور زمین می‌چرخند. این ماهواره ها در یک نقطه ثابت بالای زمین باقی می مانند و پوشش مستمری از ناحیه اطراف آن نقطه را فراهم می کنند. به طور خاص، مدل‌های ردیاب آتش‌سوزی ما از ماهواره‌های GOES-16 و GOES-18 برای پوشش آمریکای شمالی و از ماهواره‌های Himawari-9 و GK2A برای پوشش استرالیا استفاده می‌کنند. اینها هر 10 دقیقه تصاویری در مقیاس قاره ارائه می دهند. وضوح مکانی در نادر 2 کیلومتر است (نقطه مستقیم زیر ماهواره) و با دور شدن از نادر کمتر است. هدف در اینجا ارائه اخطار به مردم در اسرع وقت و ارجاع آنها به منابع معتبر برای اطلاعات دقیق مکانی و روی زمین در صورت لزوم است.
 |
| دود آتش سوزی کمپ 2018 در کالیفرنیا را پنهان می کند. [Image from NASA Worldview] |
تعیین وسعت دقیق آتش‌سوزی بی‌اهمیت است، زیرا آتش‌سوزی‌ها دود عظیمی از خود ساطع می‌کنند که می‌تواند دور از ناحیه سوخته پخش شود و شعله‌ها را پنهان کند. ابرها و دیگر پدیده های هواشناسی آتش زیربنایی را بیشتر پنهان می کنند. برای غلبه بر این چالش‌ها، تکیه بر فرکانس‌های مادون قرمز (IR)، به‌ویژه در محدوده طول موج 3-4 میکرومتر رایج است. این به این دلیل است که آتش‌سوزی‌های جنگلی (و سطوح داغ مشابه) به‌طور قابل‌توجهی در این باند فرکانس تابش می‌کنند و این انتشارات با اعوجاج‌های نسبتاً جزئی از طریق دود و سایر ذرات موجود در اتمسفر پراکنده می‌شوند. این در شکل زیر نشان داده شده است که تصویری چند طیفی از آتش سوزی در استرالیا را نشان می دهد. کانال های قابل مشاهده (آبی، سبز و قرمز) عمدتاً دود مثلثی شکل را نشان می دهند، در حالی که کانال IR 3.85 میکرومتر الگوی سوختگی حلقه ای خود آتش را نشان می دهد. با این حال، حتی با وجود اطلاعات اضافه شده از باندهای IR، تعیین وسعت دقیق آتش همچنان چالش برانگیز است، زیرا آتش دارای قدرت انتشار متغیر است و چندین پدیده دیگر تابش IR را ساطع یا منعکس می کنند.
 |
| تصویر ابرطیفی Himawari-8 از آتش سوزی جنگلی. به ستون دود در کانال های قابل مشاهده (آبی، سبز و قرمز) توجه کنید و حلقه ای که ناحیه سوختگی فعلی را در باند 3.85 میکرومتر نشان می دهد. |
مدل
کار قبلی روی تشخیص آتش از تصاویر ماهواره‌ای معمولاً بر اساس الگوریتم‌های مبتنی بر فیزیک برای شناسایی نقاط داغ از تصاویر چند طیفی است. به عنوان مثال، محصول آتش سوزی سازمان ملی اقیانوسی و جوی (NOAA) پیکسل های آتش سوزی بالقوه را در هر یک از ماهواره های GOES، عمدتاً با تکیه بر فرکانس های 3.9 میکرومتر و 11.2 میکرومتر (با اطلاعات کمکی از دو باند فرکانسی دیگر) شناسایی می کند.
در ردیاب آتش‌سوزی ما، این مدل در تمام ورودی‌های ماهواره‌ای آموزش داده می‌شود و به آن اجازه می‌دهد اهمیت نسبی باندهای فرکانسی مختلف را بیاموزد. این مدل دنباله ای از سه تصویر اخیر را از هر باند دریافت می کند تا موانع موقتی مانند پوشش ابر را جبران کند. علاوه بر این، مدل ورودی‌های دو ماهواره زمین‌ایستا را دریافت می‌کند و به یک اثر وضوح فوق‌العاده دست می‌یابد که به موجب آن دقت تشخیص بر اندازه پیکسل هر ماهواره بهبود می‌یابد. در آمریکای شمالی، ما همچنین محصول آتش سوزی NOAA ذکر شده را به عنوان ورودی عرضه می کنیم. در نهایت، ما زوایای نسبی خورشید و ماهواره ها را محاسبه کرده و آنها را به عنوان ورودی اضافی به مدل ارائه می کنیم.
همه ورودی‌ها به یک شبکه یکنواخت 1 کیلومتر مربعی نمونه‌برداری می‌شوند و به یک شبکه عصبی کانولوشنال (CNN) تغذیه می‌شوند. ما با چندین معماری آزمایش کردیم و روی یک CNN و به دنبال آن یک لایه کانولوشنال 1×1 مستقر شدیم تا سرهای طبقه‌بندی جداگانه برای پیکسل‌های آتش و ابر (نشان داده شده در زیر) ایجاد کنیم. تعداد لایه ها و اندازه آنها فراپارامترهایی هستند که به طور جداگانه برای استرالیا و آمریکای شمالی بهینه شده اند. هنگامی که یک پیکسل به عنوان یک ابر شناسایی می‌شود، هر گونه تشخیص آتش‌سوزی را لغو می‌کنیم زیرا ابرهای سنگین آتش‌های زیرین را پنهان می‌کنند. با این حال، جداسازی وظیفه طبقه‌بندی ابر عملکرد تشخیص آتش را بهبود می‌بخشد، زیرا ما سیستم را تشویق می‌کنیم تا این موارد لبه را بهتر شناسایی کند.
 |
| معماری CNN برای مدل استرالیا. معماری مشابهی برای آمریکای شمالی استفاده شد. افزودن یک هد طبقه بندی ابر عملکرد طبقه بندی آتش را بهبود می بخشد. |
برای آموزش شبکه، از داده‌های ناهنجاری‌های حرارتی از ماهواره‌های مدار قطبی MODIS و VIIRS به عنوان برچسب استفاده کردیم. MODIS و VIIRS دقت فضایی بالاتری (750-1000 متر) نسبت به ماهواره‌های زمین ثابتی دارند که ما به عنوان ورودی استفاده می‌کنیم. با این حال، آنها فقط هر چند ساعت یک بار یک مکان معین را پوشش می دهند، که گهگاه باعث می شود آتش سوزی هایی که به سرعت در حال پیشروی هستند را از دست بدهند. بنابراین، ما از MODIS و VIIRS برای ساخت یک مجموعه آموزشی استفاده می‌کنیم، اما در زمان استنتاج به تصاویر با فرکانس بالا از ماهواره‌های زمین ثابت تکیه می‌کنیم.
حتی زمانی که توجه به آتش‌های فعال محدود می‌شود، اکثر پیکسل‌های یک تصویر در حال حاضر نمی‌سوزند. برای کاهش تعصب مدل نسبت به پیکسل‌های غیرسوخت، پیکسل‌های آتش را در مجموعه آموزشی نمونه‌گیری کردیم و از دست دادن کانونی را برای تشویق بهبود در پیکسل‌های آتش نادر طبقه‌بندی‌شده به کار بردیم.
 |
| مرز در حال پیشروی آتش سوزی مک کینی در سال 2022 و آتش سوزی کوچکتر در نزدیکی آن. |
ارزیابی
سیگنال های آتش با وضوح بالا از ماهواره های مدار قطبی منبع فراوانی برای داده های آموزشی هستند. با این حال، چنین ماهواره‌هایی از حسگرهایی استفاده می‌کنند که شبیه به ماهواره‌های زمین‌ایستا هستند، که خطر اشتباهات برچسب‌گذاری سیستمیک (به عنوان مثال، تشخیص نادرست مربوط به ابر) را افزایش می‌دهد که در مدل گنجانده شود. برای ارزیابی مدل ردیاب آتش‌سوزی بدون چنین سوگیری، آن را با زخم‌های آتش (یعنی شکل کل منطقه سوخته) که توسط مقامات محلی اندازه‌گیری شده بود، مقایسه کردیم. اسکارهای آتش پس از مهار آتش به دست می آیند و قابل اعتمادتر از تکنیک های تشخیص حریق در زمان واقعی هستند. ما هر اسکار آتش سوزی را با اتحاد همه پیکسل های آتش شناسایی شده در زمان واقعی در طول آتش سوزی مقایسه می کنیم تا تصویری مانند تصویر زیر بدست آوریم. در این تصویر، رنگ سبز نشان دهنده مناطق سوختگی مشخص شده (مثبت واقعی)، زرد نشان دهنده نواحی نسوخته به عنوان مناطق سوخته (مثبت کاذب) و قرمز نشان دهنده مناطق سوختگی است که شناسایی نشده اند (منفی کاذب).
 |
| ارزیابی مثال برای یک آتش سوزی. اندازه پیکسل 1 کیلومتر در 1 کیلومتر است. |
ما مدل‌های خود را با اسکارهای رسمی آتش با استفاده از معیارهای دقیق و فراخوان مقایسه می‌کنیم. برای تعیین کمیت شدت مکانی خطاهای طبقه‌بندی، حداکثر فاصله بین یک پیکسل مثبت کاذب یا منفی کاذب و نزدیک‌ترین پیکسل آتش مثبت واقعی را در نظر می‌گیریم. سپس هر متریک را در تمام آتش سوزی ها میانگین می گیریم. نتایج ارزیابی در زیر خلاصه شده است. مشخص شد که بیشتر تشخیص‌های نادرست ناشی از اشتباهات در داده‌های رسمی، مانند زخم گم‌شده برای آتش‌سوزی نزدیک است.
 |
| معیارهای مجموعه آزمایشی که مدل‌های ما را با اسکارهای رسمی آتش مقایسه می‌کند. |
ما دو آزمایش اضافی روی آتش‌سوزی‌های جنگلی در ایالات متحده انجام دادیم (جدول زیر را ببینید). اول، ما یک مدل قبلی را ارزیابی کردیم که فقط بر محصولات آتش نشانی GOES-16 و GOES-17 NOAA متکی است. مدل ما در تمام معیارهای در نظر گرفته شده از این رویکرد بهتر عمل می‌کند و نشان می‌دهد که اندازه‌گیری‌های ماهواره‌ای خام می‌توانند برای بهبود محصول آتش NOAA موجود استفاده شوند.
در مرحله بعد، ما یک مجموعه آزمایشی جدید شامل تمام آتش سوزی های بزرگ در ایالات متحده در سال 2022 جمع آوری کردیم. این مجموعه آزمایشی در طول آموزش در دسترس نبود زیرا این مدل قبل از شروع فصل آتش سوزی راه اندازی شد. ارزیابی عملکرد در این مجموعه تست عملکردی مطابق با انتظارات از مجموعه تست اصلی را نشان می دهد.
 |
| مقایسه بین مدل های آتش سوزی در ایالات متحده |
نتیجه
ردیابی مرز بخشی از تعهد گسترده‌تر Google برای ارائه اطلاعات دقیق و به‌روز به افراد در لحظات حساس است. این نشان می‌دهد که چگونه از تصاویر ماهواره‌ای و ML برای ردیابی آتش‌سوزی‌ها استفاده می‌کنیم و در زمان‌های بحران از افراد آسیب‌دیده پشتیبانی می‌کنیم. در آینده، ما قصد داریم به بهبود کیفیت ردیابی مرزهای آتش‌سوزی خود ادامه دهیم، این سرویس را به کشورهای بیشتری گسترش دهیم و به کار خود برای کمک به مقامات آتش نشانی برای دسترسی به اطلاعات مهم در زمان واقعی ادامه دهیم.
سپاسگزاریها
این کار یک همکاری بین تیم‌هایی از Google Research، Google Maps و Crisis Response با پشتیبانی مشارکت‌ها و تیم‌های خط‌مشی ما است. ما همچنین می خواهیم از مقامات آتش نشانی که با آنها در سراسر جهان همکاری می کنیم تشکر کنیم.