El clima y el combustible, dos de los principales culpables de los incendios forestales, están ahora en la mira de un investigador de la Universidad de Alberta que espera usar el aprendizaje automático en su contra.

Aprovechando la inteligencia artificial (IA) para clasificar y mapear montones de datos meteorológicos, Mike Flannigan y los co-investigadores del Servicio Forestal Canadiense y la Universidad de Waterloo quieren predecir mejor dónde podrían estallar y aflorar los incendios forestales para que las agencias de extinción de incendios puedan planificar con anticipación.

"Queremos complementar las herramientas de toma de decisiones existentes para que puedan hacer las mejores llamadas posibles al lidiar con incendios para ayudar a proteger a las comunidades, "Dijo Flannigan.

Al señalar dónde es probable que se arraiguen los incendios forestales, los equipos de bomberos y los helicópteros se pueden desplegar de manera eficiente, Flannigan dijo. Esa advertencia anticipada es crucial cuando pueden pasar de tres a siete días para que los recursos externos lleguen al fuego. El lo notó.

Los administradores de incendios podrían predecir el clima severo de incendios en un área en particular, Determine si los recursos necesarios están disponibles y luego planifique tenerlos a mano.

"Por ejemplo, si está mojado en Quebec, se pueden enviar tripulaciones y aviones a Alberta para hacer frente a los incendios forestales allí, " él dijo.

Flannigan está explorando el potencial del software de redes neuronales que procesa patrones climáticos y variables como la temperatura, presión, la humedad y la velocidad del viento para crear mapas mucho más detallados que los que existen actualmente.

"Piense en un bebé que ve un rostro humano:comienza a distinguir las orejas, nariz y ojos, y a medida que distinguen más, pueden ver aún más detalles como bigotes y patillas, ", Dijo Flannigan. Las redes neuronales funcionan de manera similar, para identificar patrones climáticos severos en múltiples capas de datos meteorológicos existentes.

"Podría convertirse en un mapa que identificaría áreas vulnerables y en qué momentos el clima del fuego sería severo, "añadió.

Los investigadores también están interesados ​​en trabajar con los administradores de incendios para desarrollar una aplicación para la detección remota y mapeo de datos sobre las capas de combustible en el bosque.

"Cuando hay un incendio en el paisaje, queremos saber en qué combustible se está quemando, como la hierba, coníferas y álamo temblón. Las agencias de manejo de incendios tienen mapas de combustible, pero a menudo son espacialmente toscos y queremos ir a una resolución mucho más fina con muchos más detalles ".

A través de la teledetección, Los mapas también se pueden actualizar con más frecuencia. En la actualidad, podrían pasar de 18 a 20 años antes de que se vuelva a evaluar un área que ha sido cartografiada, con muchos cambios en el medio, Flannigan notó.

Actualizado, Los mapas espaciales ricamente detallados pueden brindar a los administradores de incendios una mejor idea de cómo se estructura el combustible para el fuego vertical y horizontalmente.

"En un incendio forestal de alta intensidad, un mapa con esta aplicación puede ayudar a identificar lo que llamamos combustibles de escalera como arbustos del sotobosque (plantas que crecen debajo de las copas de los árboles), que permiten que el fuego se extienda a las copas de los árboles, "Flannigan explicó.

"El sistema actual de talla única en uso no nos dice eso; solo puede hacer suposiciones sobre el sotobosque. Pero este nuevo tipo de aprendizaje automático tendrá información mucho más detallada sobre la estructura del combustible".

Las aplicaciones pasarán por estudios piloto durante los próximos dos años para ver si el aprendizaje automático puede realmente mejorar los métodos tradicionales. Flannigan, quien comenzó a explorar su potencial con uno de sus estudiantes de pregrado en 2016, cree que puede.

"No es una panacea, pero para ciertos problemas con grandes volúmenes de datos para procesar, El aprendizaje automático nos permite ver relaciones que no siempre son obvias utilizando métodos y enfoques tradicionales. Creemos que los enfoques de aprendizaje automático para la gestión de incendios forestales son muy prometedores ".