هر ساله میلیاردها دلار برای حفاظت از جنگل و مقابله با آتشسوزیهای جنگلی هزینه میشود تا از درختان، زیستگاههای طبیعی، زیرساختها و البته افراد محافظت شود. با استفاده از هوش مصنوعی برای بهبود تشخیص آتشسوزی، میتوانیم خطرات ناشی از آتشسوزی را به طور قابل توجهی کاهش دهیم؛ زیرا این فناوری امکان شناسایی و خاموش کردن آتش را در مراحل ابتدایی آن، قبل از گسترش فراهم میکند. با کاهش زمان واکنش، نه تنها میتوانیم خطرات را به حداقل برسانیم، بلکه هزینهها را نیز کاهش می دهیم، چرا که خاموش کردن یک آتش کوچک به منابع بسیار کمتری نسبت به مقابله با آتشهای بزرگ نیاز دارد.
پیشبینی آتشسوزی با کمک هوش مصنوعی
در حال حاضر، خطر آتشسوزی عمدتاً بر اساس اطلاعات جوی دریافتشده از ماهوارهها و در برخی مناطق با دادههای ایستگاههای هواشناسی محلی تعیین میشود. این خطر سپس با مقیاسی کلی (مثلاً با وضوح ۱ کیلومتر مربع) محاسبه شده و از طریق رسانهها به اطلاع عموم رسانده میشود.
محاسبه سطح خطر آتشسوزی با در نظر گرفتن منابع مختلف اطلاعاتی (ماهوارهها، ایستگاههای هواشناسی و احتمالاً حسگرهای محلی) و سپس نقشهبرداری از خطرات با مقیاسی دقیقتر، یک فرآیند پیچیده و وقتگیر است که با کمک هوش مصنوعی میتواند به طور خودکار انجام شده و دقت و وضوح آن افزایش یابد.
علاوه براین، افزودن اطلاعات جزئیتر، مانند اندازهگیری سطح رطوبت خاک و هوا توسط حسگرهای کاشته شده در جنگل، میتواند به درک بهتر شرایط اقلیمی جنگل کمک کند. در آینده، ممکن است بتوانیم این فناوری را حتی بیشتر پیشرفت دهیم و به جای اندازهگیری رطوبت خاک، رطوبت مواد سوختی مانند علف و سوزن کاج را نیز اندازهگیری کنیم.
مدلهای یادگیری ماشین که برای تشخیص آتشسوزی استفاده میشوند، بر روی مجموعه دادههای بزرگی که شامل هر دو حالت آتشسوزی و غیر آتشسوزی هستند، آموزش دیدهاند تا بتوانند آتشها را بر اساس ویژگیهای دود و عوامل دیگر با دقت تشخیص دهند. این مدلها به دقت آموزش داده میشوند تا میزان هشدارهای نادرست آتشسوزی را به حداقل برسانند.
نقش دوربین مداربسته و هوش مصنوعی در حفاظت از جنگل
تشخیص با استفاده از دوربینها از طریق نصب دوربینها بر روی برجهای دیدهبانی که ناحیه وسیعی از جنگل را پوشش میدهند، انجام میشود. این برجها در گذشته توسط انسانها نگهبانی میشدند، اما امروزه بیشتر با استفاده از دوربینها نظارت میشوند.
تشخیص دود یا شعلههای آتش با استفاده از الگوریتمهای یادگیری ماشینی و فناوری شناسایی تصویر امکانپذیر است. این فناوری در بسیاری از کاربردها موفق عمل کرده و در تشخیص آتشسوزی نیز به کار میرود. اما این روش با چالشهایی نیز مواجه است. یکی از اصلیترین مشکلات این است که ممکن است دوربینها به اشتباه دود ناشی از فعالیتهای کشاورزی یا حتی توربینهای بادی را به عنوان دود آتش تشخیص دهند. همچنین، شرایط آب و هوایی مانند مه یا غبار میتواند تشخیص دقیق دود را برای دوربینها دشوار کند.
بهبود الگوریتمهای یادگیری ماشینی با دادههای بیشتر میتواند خطای تشخیص را کاهش دهد، اما یک محدودیت مهم این است که دوربینها معمولاً نمیتوانند دود را زیر پوشش درختان ببینند و تنها زمانی که دود به بالای پوشش درختان میرسد، آن را شناسایی میکنند. از آنجا که بسیاری از آتشسوزیهای انسانی از سطح زمین شروع میشوند، این تأخیر در تشخیص میتواند باعث شود که تا رسیدن نیروهای آتشنشانی، آتش بسیار بزرگ و خطرناک شود.
فناوری مادون قرمز میتواند به تکمیل کمبودهای دوربینهای اپتیکال کمک کند، اما وضوح این سیستمها معمولاً بسیار پایین است و برای تشخیص آتش در فواصل دور تصاویر قابل استفادهای ارائه نمیدهد.
حسگرهای گاز و هوش مصنوعی برای حفاظت از جنگل
رویکرد دیگر برای شناسایی آتشسوزیهای جنگلی استفاده از حسگرهای گاز است. حسگرهای گاز دستگاههای کوچک بیسیمی هستند که به درختان در سرتاسر جنگل متصل میشوند و مانند «بینی دیجیتال» قابلیت «بو کشیدن» آتش را دارند. به محض تشخیص دود، این دستگاه سیگنالی از طریق شبکه ارسال میکند تا به مقامات مربوطه هشدار دهد.
یکی از مزایای اصلی این حسگرها این است که میتوان آنها را در جنگل مستقر کرد و آتشسوزیها را زیر لایهی تاج درختان، در مراحل اولیهی آتشسوزی شناسایی کرد. این امر امکان واکنش سریعتر و مؤثرتر را فراهم میکند و به نیروهای آتشنشانی اجازه میدهد قبل از گسترش آتش آن را مهار کنند.
با این حال، استفاده از حسگرها برای حفاظت از جنگل شناسایی آتشسوزی جنگلی نیز چالشهای خاص خود را دارد. برای تشخیص دقیق دود، این دستگاهها از مدلهای یادگیری ماشین (هوش مصنوعی) استفاده میکنند که با دادههایی از آتشسوزیها و هوای تمیز در محیط جنگل آموزش دیدهاند. چالش اصلی، آموزش این مدلها برای تمایز میان «بوی» آتش و سایر گازهای محیطی است. برای مثال، بوی یک جنگل میتواند بسته به نوع درختان موجود، زمان روز و حتی فصل تغییر کند. جمعآوری دادههای متنوع به منظور ایجاد مدلی قابل اعتماد برای یادگیری ماشین، چالشی دشوار است. با این وجود، با گنجاندن این متغیرها در فرآیند آموزش، مدلهای هوش مصنوعی میتوانند مقاومتر شده و دقت بالاتری در تشخیص آتش واقعی پیدا کنند. این مدلها حتی میتوانند برای یک جنگل خاص بهطور خاص آموزش داده شوند.
برای آموزش مدلهای یادگیری ماشین، محققان محیطهای مصنوعی ایجاد میکنند که در آنها مواد جنگل هدف را میسوزانند. دودی که از این سوختن کنترلشده تولید میشود، به مدلهای یادگیری ماشین منتقل میشود تا به آنها آموزش دهد که آتش چگونه «بو» میدهد. این فرآیند صدها بار تکرار میشود تا دقت مدلها بهبود یابد. هر چه دادههای آموزشی متنوعتر باشند، هوش مصنوعی بهتر میتواند بین آتشهای واقعی و هشدارهای نادرست تمایز قائل شود.
برای مثال، در شرکت Dryad، ما بهطور مداوم به مدلها دادههایی از بوی طبیعی و غیر آتشسوزی جنگل و همچنین بوی دود ناشی از آتشسوزی را از سایت زنده خود در ایبرزوالده، نزدیک برلین، تغذیه میکنیم. ما همچنین دادههایی از سایتهای زنده متعدد خود در سراسر جهان جمعآوری میکنیم، جایی که این حسگرها نصب شدهاند. تمام این دادهها جمعآوری شده و برای بهبود مداوم مدلها استفاده میشوند و نسخههای بهروز شده به دستگاهها ارسال میشود تا اطمینان حاصل شود که آنها همیشه به آخرین قابلیتهای تشخیص مجهز هستند.
ماهوارهها و هوش مصنوعی
ماهوارهها از دید وسیع خود در فضا برای شناسایی نقاط داغ و آتشسوزیهای جنگلی از طریق دوربینها و حسگرهای مادون قرمز بهره میبرند. با کمک هوش مصنوعی و تکنیکهای شناسایی تصویر، این فرآیند میتواند به صورت خودکار انجام شده و مقامات مربوطه به محض تشخیص آتشسوزی مطلع شوند.
اما یکی از مشکلات اصلی در حفاظت از جنگل و تشخیص آتشسوزیهای جنگلی از طریق ماهوارهها، وضوح تصاویر و فرکانس بهروزرسانی آنها است. ماهوارههایی که برای تشخیص آتشسوزیها به کار میروند، یا در مدار ثابت (حدود ۳۲ هزار کیلومتری از زمین) یا در مدار پایینی (حدود ۶۰۰ کیلومتری از زمین) قرار دارند. هر پیکسل از تصویر ماهوارهای مدار ثابت میتواند مساحتی به اندازه ۵۰۰ در ۵۰۰ متر را پوشش دهد، به این معنی که آتشسوزی باید بسیار بزرگ باشد تا قابل مشاهده باشد.
زمانی که آتشسوزی به این حد برسد، مهار آن بسیار دشوار میشود. در مقابل، ماهوارههای مدار پایینی به زمین نزدیکتر هستند و میتوانند وضوح بالاتری (مثلاً ۱۰۰ در ۱۰۰ متر) ارائه دهند. اما به دلیل چرخش زمین، این ماهوارهها تنها هر شش ساعت یکبار میتوانند نقطه مشخصی را بهروزرسانی کنند. برای کاهش این فاصله زمانی، میتوان صدها ماهواره به فضا پرتاب کرد، اما با توجه به عمر کوتاه ماهوارههای مدار پایینی، این راهکار بسیار پرهزینه خواهد بود.
با این حال، ماهوارهها در پیشبینی توسعه و گسترش آتشسوزیها بر اساس عوامل مختلفی مانند زمین، جهت و سرعت باد برتری دارند. هوش مصنوعی و یادگیری ماشین میتوانند با استفاده از مقادیر عظیمی از دادهها، مدلهای دقیقی برای پیشبینی رشد آتشسوزیها بسازند. این اطلاعات میتواند به تیمهای آتشنشانی و تخلیه کمک کند تا اقدامات خود را به طور هماهنگتر انجام دهند.
خلاصه
هیچ راهکار واحدی برای مهار تهدید روزافزون آتشسوزیهای جنگلی با استفاده از فناوری وجود ندارد. هر روش فنی مزایا و معایب خاص خود را دارد. با این حال، با ترکیب و یکپارچهسازی اطلاعات از روشهای مختلف تشخیص، مزایای یک رویکرد میتواند معایب دیگری را پوشش دهد. هوش مصنوعی نقش مشترکی در تمامی این راهکارها دارد و میتواند به هماهنگی اقدامات در زمان واقعی کمک کند. نویسنده: کارستن برینک شولته منبع: dryad.net
در سایت ایران آلارم ، اپلیکیشن ایران آلارم و شبکه های اجتماعی (اینستا ، تلگرام ، ایتا ، روبیکا با آیدی @iranalarm) آخرین اخبار ، تکنولوژی ها ، محصولات جدید شرکت های خارجی و تولیدکنندگان ایرانی و رویدادهای صنعت تجهیزات ایمنی و حفاظتی را دنبال کنید
نظرات کاربران