Väder och bränsle – två ledande gärningsmän – är nu i trådkorset för en forskare från University of Alberta som hoppas kunna använda maskininlärning mot dem.

Genom att utnyttja artificiell intelligens (AI) för att sortera och kartlägga mängder av meteorologiska data, Mike Flannigan och medforskare från Canadian Forest Service och University of Waterloo vill bättre förutsäga var skogsbränder kan bryta ut och få fäste så att brandbekämpningsbyråer kan planera framåt.

"Vi vill komplettera befintliga beslutsfattande verktyg så att de kan göra bästa möjliga samtal när det gäller att hantera brand för att hjälpa till att skydda samhällen, sa Flannigan.

Genom att lokalisera var skogsbränder sannolikt slår rot, brandkår och helikoptrar kan sättas in effektivt, sa Flannigan. Den förvarningen är avgörande när det kan ta från tre till sju dagar att få externa resurser till branden, noterade han.

Brandchefer skulle kunna förutse allvarligt brandväder i ett visst område, avgöra om de nödvändiga resurserna finns tillgängliga och planera sedan att ha dem till hands.

"Till exempel, om det är blött i Quebec, besättningar och flygplan kan skickas till Alberta för att hantera skogsbränder där, " han sa.

Flannigan undersöker potentialen hos mjukvara för neurala nätverk som bearbetar vädermönster och variabler som temperatur, tryck, luftfuktighet och vindhastighet för att skapa mycket mer detaljerade kartor än vad som finns idag.

"Tänk på en bebis som ser ett mänskligt ansikte:de börjar urskilja öron, näsa och ögon, och när de skiljer ytterligare, de kan se ännu fler detaljer som morrhår och polisonger, " sa Flannigan. Neurala nätverk fungerar på liknande sätt, för att identifiera svåra vädermönster i flera lager av befintlig väderdata.

"Den skulle kunna förvandlas till en karta som skulle identifiera sårbara områden och vilka tider brandvädret skulle vara hårt, " han lade till.

Forskarna är också intresserade av att tillsammans med brandchefer utveckla en applikation för fjärravkänning och kartläggning av data om bränslelager i skogen.

"När det brinner i landskapet, vi vill veta vilket bränsle det brinner i, som gräs, barrträd och asp. Brandledningsbyråer har bränslekartor, men de är ofta rumsligt grova och vi vill gå till en mycket finare upplösning med mycket mer detaljer."

Genom fjärranalys, kartor kan också uppdateras oftare. För närvarande, det kan ta 18 till 20 år innan ett område som har kartlagts bedöms igen, med många förändringar som sker däremellan, Flannigan noterade.

Uppdaterad, rikt detaljerade rumskartor kan ge brandchefer en bättre känsla för hur bränsle till branden är uppbyggt vertikalt och horisontellt.

"I en högintensiv skogsbrand, en karta med den här applikationen kan hjälpa till att identifiera vad vi kallar stegbränslen som buskar (växter som växer under trädkronor), som låter elden sprida sig till trädtopparna, " förklarade Flannigan.

"Det nuvarande enstaka systemet som används säger oss inte det; det kan bara göra antaganden om underhistorien. Men denna nya typ av maskininlärning kommer att ha mycket mer detaljerad information om bränslestrukturen."

Ansökningarna kommer att gå igenom pilotstudier under de kommande två åren för att se om maskininlärning verkligen kan förbättras med traditionella metoder. Flannigan, som började utforska dess potential med en av sina studenter 2016, tror att det kan.

"Det är inget universalmedel, men för vissa problem med stora mängder data att bearbeta, Med maskininlärning kan vi se relationer som inte alltid är uppenbara med traditionella metoder och tillvägagångssätt. Vi tycker att metoder för maskininlärning för hantering av skogsbränder visar mycket lovande."