A medida que los incendios se vuelven más grandes y peligrosos, varias agencias gubernamentales y privadas se han vuelto a la IA para detectar y potencialmente predecir incendios forestales. La Guardia Nacional ha estado realizando vuelos de reconocimiento en California durante el verano y el otoño durante los últimos años, pero ahora los drones utilizados para realizar estos vuelos han recibió actualizaciones con algoritmos de IA destinado a generar automáticamente mapas de incendios dentro de una región en particular.
La creación de mapas de incendios es un proceso increíblemente difícil que requiere el análisis de datos para mapear incendios en constante cambio a medida que avanzan sobre terreno accidentado. Tanto las observaciones aéreas como las terrestres se utilizan para hacer mapas de incendios, y los mapas de incendios generalmente solo se actualizan una vez al día más o menos. Los incendios grandes pueden moverse hasta 15 millas durante un solo día, como lo atestiguan algunos de los incendios de esta temporada de incendios. Las agencias de monitoreo de incendios necesitan formas más rápidas de recopilar datos de incendios y actualizar mapas de incendios, y los drones aéreos combinados con IA pueden abordar esta necesidad.
Los sistemas de mapeo de incendios, muchos de los cuales se basan en datos satelitales, suelen utilizar uno de dos métodos diferentes de detección de posibles incendios. Los incendios se detectan detectando el calor que sale de la superficie de la Tierra (detectando áreas inusualmente calientes) o analizando las emisiones de aerosoles (detectando las partículas de humo liberadas en el aire a medida que se quema la biomasa). Una vez que se detectan posibles incendios, se pueden confirmar mediante el uso de sistemas de imágenes de alta resolución como drones. Las cámaras con las que están equipados los drones de la Guardia Nacional son capaces de mostrar incendios a una resolución de solo 90 pies sobre el suelo.
La Guardia Nacional ha equipado sus drones MQ-9 “Reaper” con algoritmos de inteligencia artificial destinados a detectar incendios y generar mapas de incendios. Los algoritmos de IA se utilizan para recopilar datos sobre incendios en llamas activas y detectar «incendios puntuales» que han sido iniciados por incendios más grandes. El proyecto fue impulsado por el Centro Conjunto de Inteligencia Artificial (JAIC), una división creada por el Pentágono en 2018. El sistema de mapeo de incendios JAIC utiliza algoritmos de aprendizaje automático entrenados en imágenes aéreas de incendios anteriores con límites anotados. Luego, el algoritmo puede tomar imágenes invisibles con solo datos de ubicación y detectar incendios en ellas, generando un mapa que muestra qué regiones se están quemando. La ubicación de los focos de fuego también está marcada.
En comparación con el proceso de generación de mapas de incendios de un día de duración utilizado por otras agencias, el sistema de mapeo de incendios de JAIC es mucho más rápido. El proceso de mapeo de incendios impulsado por IA puede generar un nuevo mapa de incendios aproximadamente cada media hora. Según la Guardia Nacional Aérea de California, los mapas producidos por el nuevo sistema son precisos y los comentarios de CalFire han sido positivos. Si los mapas continúan demostrando ser confiables y pueden integrarse con éxito con las operaciones de CalFire, podrían implementarse para ayudar a detectar incendios durante la temporada de incendios del próximo año.
Más allá de mapear los límites de los incendios actuales, la IA puede ayudar a los equipos de extinción de incendios a predecir el movimiento de los incendios. CalFire mismo recientemente comenzó a trabajar con una herramienta llamada WildFire Analyst Enterprise. La herramienta de análisis de incendios forestales fue creada por Technosylva y funciona mediante la combinación de varios modelos de propagación de incendios. Estos modelos se mejoran mediante el uso de algoritmos de aprendizaje automático, entrenados en las características de incendios forestales anteriores (como el contenido de humedad de la vegetación, las condiciones climáticas y las imágenes satelitales). Luego, el modelo compara los datos de un incendio actual con los datos de incendios anteriores para hacer predicciones sobre cómo podría propagarse ese incendio. El software también permite al usuario crear simulaciones basadas en cómo cambian diferentes variables, como las condiciones climáticas. La herramienta predijo correctamente que el incendio del CZU Lightning Complex se movería hacia la ciudad de Felton, lo que permitiría que los equipos de extinción de incendios llegaran temprano y salvaran muchas estructuras que de otra manera no se habrían salvado.
Mientras tanto, los departamentos de extinción de incendios en el sur de California están utilizando un sistema de predicción y seguimiento de incendios diferente llamado FireMap, desarrollado por Wifire Lab. FireMap utiliza datos aéreos y terrestres de las cámaras, así como las condiciones climáticas, las condiciones del viento, el contenido de humedad en la vegetación y más, para predecir dónde se propagarán los incendios.
A medida que se crean más plataformas de detección y predicción de incendios impulsadas por IA, los drones probablemente será cada vez más importante. Los satélites son extremadamente útiles, pero tienen limitaciones en cuanto al tipo y volumen de datos que pueden recopilar. Se utilizan dos tipos de satélites para recopilar datos: satélites de órbita polar y satélites geosíncronos. Los satélites de órbita polar son capaces de tomar imágenes de alta resolución, pero las imágenes solo se capturan dos veces al día. Por el contrario, las imágenes recopiladas por imágenes geosincrónicas se recopilan con mayor frecuencia, generalmente cada 5 minutos aproximadamente. Sin embargo, los satélites geosíncronos tienen que volar aproximadamente a 22 000 millas sobre la superficie de la Tierra para mantenerse sincronizados con la órbita terrestre. Como resultado, estas imágenes contienen mucho menos detalle que los satélites orbitales polares. Los drones pueden ayudar a llenar los vacíos en los datos, obteniendo imágenes más constantes y detalladas de un área de interés.