RADR, utvecklad av PNNL, kombinerar foton och bilder för att fånga teknik med AI för att hjälpa första respondenter att bekämpa skogsbränder och bevara nyckelinfrastruktur. Upphovsman:ThePixelman | Pixabay.com
Efter de destruktiva skogsbränderna i Kalifornien 2019, den amerikanska regeringen sammanställde ett Vita hus verkställande forum för att utveckla bättre sätt att skydda nationen och nyckelinfrastrukturen, som elnätet, från skogsbränder och andra katastrofer. Bara 2020, mer än 10,3 miljoner tunnland brann över hela USA, en nivå tre gånger högre än 1990–2000 10-årsgenomsnitt. Mellan kostnaderna för brandbekämpning, direkta och indirekta kostnader, skogsbränder 2020 kostade USA uppemot 170 miljarder dollar. Lägg till översvämningar, orkaner, och andra naturkatastrofer, och katastrofmängden på amerikanernas försörjning är astronomisk.
Andre Coleman och hans team av forskare vid Pacific Northwest National Laboratory (PNNL) är en del av First Five Consortium, en grupp regering, industri, och akademiska experter åtagit sig att minska effekterna av naturkatastrofer med hjälp av teknik. Coleman och team utökar PNNL:s operativa Rapid Analytics for Disaster Response (RADR) bildanalys och modelleringssvit för att mildra skador på viktiga energiinfrastrukturer. Med en kombination av teknik för bildtagning (satellit, luftburet, och drönare bilder), artificiell intelligens (AI), och molnberäkning, Coleman och teamet arbetar för att inte bara bedöma skador utan också förutsäga det.
Noggrant förutse rörelsen av naturkatastrofer - skogsbränder, översvämningar, orkaner, vindstormar, tornados, och jordbävningar - ger de första svararna ett hopp, låta dem vidta åtgärder för att minska skador, genomföra avancerad resursplanering, och öka infrastrukturtiden. Till exempel, om en brand når en elektrisk transformatorstation eller annan nätinfrastruktur, ett helt samhälle - hem, företag, och skolor - skulle få strömavbrott som kan ta dagar att återställa.
"Det här är en spännande och aktuell ansträngning att tillämpa artificiell intelligens för att minska effekterna av skogsbränder, skydda energiinfrastrukturen, och i slutändan rädda liv, "sa Pamela Isom, tillförordnad chef för US Department of Energy (DOE) Artificial Intelligence and Technology Office. "Arbetet har potential att göra skillnad i vad vi förväntar oss kommer att bli en mycket utmanande löpeldssäsong. Detta har varit ett mycket produktivt samarbete mellan flera partners, inklusive våra kollegor vid försvarsdepartementets gemensamma centrum för artificiell intelligens, Säkerhetstjänsten, och på PNNL. "
Bild bedömd av RADR från Mammoth Fire söder om Panguitch, UT. De ljusröda områdena indikerar aktiva eldfronter medan violett indikerar ulmande områden. Upphovsman:Pacific Northwest National Laboratory
Sedan 2014 har Coleman och team har arbetat med denna teknik. Projektet startade ursprungligen med skapandet av en förändringsdetekteringsalgoritm, som analyserar olika typer av satellitbilder och avgör vad som förändrades i landskapet efter en storm. Myndigheter använder verktyget för att snabbt bedöma de fysiska skadorna av naturkatastrofer, ofta innan marklag kan komma in. Den första iterationen av verktyget användes under orkansäsongen 2016 för att utvärdera orkanskador och avgöra om energiinfrastruktur - elnät, petroleum, och gasanläggningar - skadades eller riskerade.
Övergripande, RADR -analysprodukter ger värde, men Coleman och teamet känner igen möjligheter att utöka verktygens funktionalitet och försöka förbättra RADR -svarstiden, skadebedömning, synlighet, förutsägelseförmåga, och datatillgänglighet.
För att förbättra aktualitet och bedömningar på marknivå, laget införlivade nya och olika bildkällor. RADR kan dra in bilder från en mängd olika satelliter med olika avkänningsmöjligheter, inklusive inhemska och internationella regeringssatelliter som erbjuds som öppen data samt kommersiella satelliter som är tillgängliga genom International Disaster Charter. Att ha flera källor till överliggande bilder förbättrar responstiden till bara några timmar med den viktigaste begränsningen är latensen för överliggande bilder, eller tiden mellan bilder som samlas in och är tillgängliga för analys. När bilderna har mottagits, RADR -programvaran kan generera en analys på drygt 10 minuter.
För att titta igenom eldrök och molntäcke, laget lade till infraröda bilder till RADR. Den nya möjligheten ger en tydligare bild av landskapet som tidigare inte var tillgängligt, ge uppgiftslämnare information såsom skador på nyckelinfrastruktur eller en säker plats för att inrätta hjälpinsatser som respondenterna kanske inte annars har haft tillgång till.
Bilder utvärderade av RADR indikerar var termiska hot spots är genom moln och rök täckning. Bildspråket och bedömningen hjälper de första som svarar i kampen mot skogsbränder. Upphovsman:Pacific Northwest National Laboratory
Teamet integrerar också offentligt tillgängliga och crowdsourcade bilder från sociala medier. Ofta i en katastrof, sociala medier som Twitter, Flickr, och Instagram erbjuder en mängd realtidsdata när användare lägger upp bilder på vad som händer runt omkring dem. Genom att para överliggande bilder med bilder på marken, laget kan ge en mer fullständig bedömning. Satellitbilder, till exempel, kan visa skada på en generationsresurs, kraftledningar, eller elnätet; dock, markbilder kan indikera annat. Verktyget tar alla dessa bilder, tar bort de överflödiga, och sy ihop bilderna för att ge en mer exakt bild av förändrade förhållanden.
Som med alla beräkningsmodeller, det är bara lika bra som data. De tillagda bildkällorna ger ytterligare data för RADR att tolka, förbättra noggrannheten. För att förutsäga möjliga resultat av en löpeld, laget kombinerar bildanalysen med väder, bränsle, och prognosdata. Till exempel, vind, vegetation, och allt som en brand kan konsumera all faktor i storleken på en eld och i vilken riktning den tar. Genom att gifta mig med bilder med bränsledata och skogsbrandsmodeller, laget hoppas kunna exakt förutsäga den väg en brand tar.
Självklart, bedömningarna måste komma i rätt händer. Att samordna ett svar kräver lokalt, regional, och nationella resurser, var och en på olika platser men behöver data så snabbt som möjligt i ett format som lätt kan nås och tolkas, särskilt i en datakommunikationsbegränsad miljö. Ett molnbaserat system tillhandahåller en end-to-end pipeline för att hämta tillgängliga bilder, bearbeta analysen, och sprida data som ska användas direkt i en användares egen programvara, via stationära webbläsare, och/eller via mobilapplikationer. Tillagd visuell analys ger bilder och datamängder som lätt kan urskiljas för en bred publik av respondenter.
De senaste åren har ökat frekvensen och allvarligheten av skogsbränder, översvämningar, och andra extrema väderhändelser. Coleman och team hoppas att åtminstone RADR:s extra funktioner kommer att ge respondenterna information som kan användas för att fatta välgrundade beslut, minska eller planera för skador på viktig energiinfrastruktur, planera hjälpinsatser, och rädda liv.