Microsoft, Azure und KI-Technologie bekämpfen die Risiken von Waldbränden in Kalifornien

Microsoft investiert in die KI-gestützte Erkennung von Waldbränden. Juan Lavista Ferres, CVP und Chief Data Scientist, erörtert Strategien zur Eindämmung von Umweltschäden.

Laut der NASA betrifft der Klimawandel jeden Menschen auf der Erde und äußert sich in steigenden Temperaturen, veränderten Niederschlagsmustern und einem Anstieg des Meeresspiegels.

Die NASA erklärt, es gebe eindeutige Belege dafür, dass sich die Erde in einem noch nie dagewesenen Tempo erwärmt, wobei menschliche Aktivitäten die Hauptursache sind.

Mit dem Anstieg der globalen Temperaturen stellen Waldbrände eine zunehmende Bedrohung dar.

In den USA erhöhen steigende Temperaturen, anhaltende Dürren und die zunehmende Bebauung die Risiken für Gemeinden und Ökosysteme.

Im vergangenen Jahr wurden landesweit fast 78.000 Waldbrände gemeldet, was einem Anstieg von 20 % gegenüber dem Vorjahr entspricht.

In Kalifornien, wo Feuer seit jeher Wälder, Graslandschaften und Küstenlandschaften geprägt hat, besteht die Herausforderung zunehmend darin, den Umgang der Gemeinden mit den Auswirkungen des Klimawandels zu gestalten.

Wissenschaftler, Feuerwehrleute und das „AI for Good Lab“ von Microsoft nutzen KI, um Waldbrände früher zu erkennen und den Einsatzkräften mehr Zeit für die Reaktion zu verschaffen.

Unser Ziel ist es, diese Technologie weltweit zugänglich zu machen.

Juan Lavista Ferres, Vizepräsident und Chief Data Scientist im „AI for Good Lab“ von Microsoft.

Microsoft hat 5 Millionen US-Dollar für die Weiterentwicklung der KI-gestützten Waldbranderkennung bereitgestellt und finanziert damit den Ausbau von Echtzeit-Computer-Vision-Systemen, die neue Ansätze für den Einsatz von maschinellem Lernen bei der zeitkritischen Umweltüberwachung aufzeigen.

Wie Technologie dazu beiträgt, die Ausbreitung von Waldbränden zu verhindern

Computervision in großem Maßstab

Jahrzehntelang beruhte die Waldbranderkennung darauf, dass Menschen Rauch von Straßen, Aussichtspunkten oder nahegelegenen Ortschaften aus entdeckten, bevor sie die Rettungsdienste alarmierten.

ALERTCalifornia, gegründet an der University of California in San Diego, revolutioniert diesen Ansatz mit einem Netzwerk von fast 1.300 Kameras in den brandgefährdeten Gebieten des Bundesstaates.

Das System überwacht kontinuierlich Live-Kamerabilder und nutzt KI, um potenzielle Anzeichen von Rauch zu erkennen.

Es vergleicht verschiedene Kamerawinkel, verifiziert Brandorte und sendet innerhalb weniger Minuten Warnmeldungen an die Einsatzkräfte.

In den ersten zwei Monaten erkannte das Netzwerk 77 Vorfälle, bevor diese über andere Kanäle gemeldet wurden.

Das System verarbeitet mittlerweile täglich über sieben Millionen Bilder und erkennt Waldbrände bis zu 2,5 Stunden vor dem ersten Notruf.

Das KI-Modell muss echte Brandmerkmale von Umgebungsstörungen wie Wolken, Nebel und wechselnden Lichtverhältnissen zu verschiedenen Tageszeiten und Jahreszeiten unterscheiden.

Diese Klassifizierungsherausforderung wird durch die Vielfalt der überwachten Landschaften – von dichten Wäldern über Grasland bis hin zu Küstenregionen – noch verstärkt.

Dr. Neal Driscoll, Geophysiker und Gründer von ALERTCalifornia, erklärt: „Die Daten zeigen nicht nur, wie die Landschaft aussieht.

Dr. Neal Driscoll, Geophysiker und Gründer von ALERTCalifornia. Bildnachweis: Emily Zheng via Microsoft

„Sie helfen uns zu verstehen, wie sie sich im Laufe der Zeit verändert.“

Den Betriebsdaten des Projekts zufolge deutet die Erkennung von Bränden 2,5 Stunden vor herkömmlichen Methoden darauf hin, dass die Empfindlichkeitsschwelle des Modells so kalibriert wurde, dass Rauch bereits in frühen Stadien identifiziert wird, während gleichzeitig eine akzeptable Genauigkeit gewährleistet bleibt.

Modellleistung im Einsatz

Der Einsatz des Systems verdeutlicht praktische Überlegungen für KI-Systeme, die in kritischen Erkennungsszenarien zum Einsatz kommen.

Die tägliche Verarbeitung von sieben Millionen Bildern erfordert eine Infrastruktur, die in der Lage ist, kontinuierliche Inferenz in großem Maßstab zu bewältigen, wobei die Azure-Förderkomponente des 5-Millionen-Dollar-Beitrags von Microsoft möglicherweise den Rechenbedarf deckt.

Fakten zu Waldbränden von Earth.Org

• Für die Entstehung von Waldbränden sind drei wesentliche Bedingungen erforderlich: trockene Vegetation (Brennstoff), sauerstoffreiche Luft und eine Wärmequelle. Starke Winde können die Ausbreitung beschleunigen.
• Blitze lösen Waldbrände auf natürliche Weise aus: Blitze sind eine wichtige natürliche Zündquelle, wobei heißere und länger andauernde Blitze eher Brände auslösen. Eine Studie aus dem Jahr 2014 ergab, dass ein Temperaturanstieg um 1 °C die Blitzhäufigkeit um 12 % erhöhen könnte.
• Über 80 % der Waldbrände in den USA sind vom Menschen verursacht: Aktivitäten wie unbeaufsichtigte Lagerfeuer, Zigaretten, Grillen und Feuerwerkskörper sind für etwa 84 % der Waldbrände in den USA verantwortlich.
• Waldbrände verursachen weitreichende Luftverschmutzung: Rauch enthält Gase und Feinstaub, die sich über große Entfernungen ausbreiten, tief in die Lunge eindringen und die Gesundheitsrisiken für Atemwege und Herz-Kreislauf-System erhöhen.
• Der Klimawandel verlängert die Waldbrandsaison: Steigende Temperaturen, Dürre und geringere Niederschläge führen dazu, dass mehr Vegetation trocken und brennbar ist. In den USA dauert die Waldbrandsaison, die früher vier Monate betrug, mittlerweile sechs bis acht Monate oder länger.
• Waldbrände erzeugen eine klimatische Rückkopplungsschleife: Großbrände setzen erhebliche Mengen an Treibhausgasen frei und zerstören gleichzeitig kohlenstoffspeichernde Vegetation, was zu einer weiteren Erwärmung beiträgt und die Wahrscheinlichkeit sowie die Intensität künftiger Waldbrände erhöht.

Im Jahr 2023 trugen die Erkennungsfähigkeiten des Systems dazu bei, den „Trotter Fire“ im US-amerikanischen Kern County auf eine Fläche von 52 Acres einzudämmen; Prognosen zufolge hätte er ohne den Einsatz von KI eine Fläche von fast 4.000 Acres erreichen können.

Diese Ergebnisse aus der Praxis bieten Fallstudien zur Bewertung der Auswirkungen des Modells über die üblichen Genauigkeitskennzahlen hinaus.

Die Rolle der Technologie beim „Kincade Fire“ im US-amerikanischen Sonoma County im Jahr 2019, die die Evakuierung von über 180.000 Einwohnern ohne Todesopfer ermöglichte, zeigt, wie Frühwarnsysteme die Notfallprotokolle beeinflussen.

„In den ersten fünf Minuten gewinnen wir wichtige Erkenntnisse“, sagt Zachary Wells, stellvertretender Leiter der Feuerwehr von Kern County und stellvertretender Einsatzleiter bei ALERTCalifornia.

Zachary Wells, stellvertretender Leiter der Feuerwehr von Kern County und stellvertretender Einsatzleiter bei ALERTCalifornia. Bildnachweis: Emily Zheng

„Dieses frühzeitige Verständnis bestimmt alle nachfolgenden Maßnahmen.“

Skalierbarkeit und Anpassungsfähigkeit des Einsatzes

Die Finanzierungsstruktur von Microsoft, bestehend aus 2 Millionen US-Dollar für die Technologieentwicklung und einem Azure-Zuschuss in Höhe von 3 Millionen US-Dollar, verdeutlicht die Prioritäten sowohl bei der Modellverbesserung als auch bei der Recheninfrastruktur.

„Wir möchten, dass diese Technologie Menschen auf der ganzen Welt zur Verfügung steht“, sagt Juan Lavista Ferres, Vizepräsident und Chef-Datenwissenschaftler im „AI for Good Lab“ von Microsoft.

Juan Lavista Ferres, CVP und Chief Data Scientist bei Microsoft

Die Ausweitung des Ansatzes über Kalifornien hinaus bringt technische Herausforderungen hinsichtlich der Modellverallgemeinerung und des Transferlernens mit sich.

Das Waldbrandrisiko variiert je nach Standort erheblich, was bedeutet, dass Systeme lokale Landschaften, Vegetation, Wetterbedingungen und Strukturen der Notfallhilfe berücksichtigen müssen.

Ein Modell, das in erster Linie mit Daten aus Kalifornien trainiert wurde, muss möglicherweise feinabgestimmt oder neu trainiert werden, wenn es in Regionen mit anderen Vegetationstypen, topografischen Gegebenheiten oder Klimamustern eingesetzt wird.

Das Projekt entwickelt zudem Funktionen, die über die reine Erkennung hinausgehen, und nutzt dabei LiDAR-Daten von fast 98.000 Quadratmeilen, um detaillierte digitale Landschaftsmodelle zu erstellen.

Diese Ausweitung auf Geländekartierung, Überwachung des Waldzustands und Risikobewertung nach Bränden deutet auf eine umfassendere Architektur der Datenpipeline hin.

Die Kombination von Computer Vision zur Raucherkennung mit aus LiDAR-Daten abgeleiteten Umweltdaten ermöglicht Multi-Task-Lernansätze, die die allgemeine Systemintelligenz verbessern und zusätzliche Anwendungsfälle für die zugrunde liegende Infrastruktur und die Datensätze bieten.

KI-gestützte Bildverarbeitung beschleunigt die Erkennung von Waldbränden

Kurzinfos zum Klima von den Vereinten Nationen

• Die globale Oberflächentemperatur ist seit 1970 schneller gestiegen als in jedem anderen 50-Jahres-Zeitraum der letzten mindestens 2.000 Jahre.
• Die Erde ist heute etwa 1,42 °C wärmer als in der vorindustriellen Ära (1850–1900).
• 2024 war das wärmste Jahr seit Beginn der Aufzeichnungen, wobei die globale durchschnittliche Oberflächentemperatur 1,55 °C über dem vorindustriellen Referenzwert lag.
• Der Zeitraum 2015–2024 war das wärmste Jahrzehnt seit Beginn der Aufzeichnungen.
• Jeder Bruchteil eines Grads Erwärmung zählt. Mit jedem weiteren Anstieg der globalen Erwärmung nehmen die Veränderungen bei Extremereignissen und die damit verbundenen Risiken zu.
• Kohlendioxid (CO₂) reichert sich in der Atmosphäre schneller an als jemals zuvor in der Geschichte der Menschheit – in nur zwei Jahrzehnten ist der Gehalt um mehr als 10 % gestiegen.

Projekte des Microsoft AI for Good Lab

Aurora-Vorhersage:Das „Aurora Forecasting“-Projekt von Microsoft nutzt ein KI-Grundmodell mit 1,3 Milliarden Parametern, um atmosphärische Daten zu analysieren und Wetter- sowie Klimaprognosen zu verbessern. Das Modell unterstützt Anwendungen wie Wettervorhersagen, Luftqualitätsmodellierung und die Analyse extremer Wetterereignisse und zeigt, wie KI komplexe Umweltdatensätze verarbeiten kann, um das Verständnis der atmosphärischen Bedingungen zu vertiefen und die Planung von Resilienzmaßnahmen zu unterstützen.

Georäumliches maschinelles Lernen: Das „AI for Good Lab“ von Microsoft kombiniert in Zusammenarbeit mit Universitäten, Naturschutzbehörden, Nichtregierungsorganisationen und der Präsidentschaft für Katastrophen- und Notfallmanagement des türkischen Innenministeriums georäumliche Daten, Satelliten- und Luftbilder mit maschinellem Lernen. Zu den Projekten gehören die Bewertung von Gebäudeschäden nach Erdbeben, die Kartierung von Gletschern und der Bodenbedeckung, die Kartierung von Geflügelställen sowie die Überwachung erneuerbarer Energien zur Unterstützung von Katastrophenhilfe, Naturschutz, humanitären Maßnahmen und Umweltplanung.

Gletscherkartierung: Das „AI for Good Lab“ von Microsoft nutzt maschinelles Lernen und Satellitenbilder, um die Gletscherkartierung und ökologische Überwachung in der Region Hindukusch-Himalaya zu unterstützen. Das Projekt identifiziert und grenzt sowohl reine Eisgletscher als auch mit Geröll bedeckte Gletscher ein, während ein Web-Tool es Experten ermöglicht, Modellvorhersagen zu überprüfen und zu korrigieren. Der Ansatz zielt darauf ab, die Kartierung zu beschleunigen und das Verständnis für vom Klimawandel betroffene Gletscherökosysteme zu verbessern.

Kartierung erneuerbarer Energien: Das „Renewable Energy Mapping“-Projekt von Microsoft nutzt georäumliches maschinelles Lernen, um die Entwicklung erneuerbarer Energien in großem Maßstab zu kartieren und zu überwachen. Die Technologie hilft Organisationen dabei, zu verstehen, wo Infrastruktur für erneuerbare Energien aufgebaut wird, und Veränderungen über große Gebiete hinweg zu verfolgen. Durch die Kombination von KI mit georäumlichen Informationen zeigt das Projekt, wie maschinelles Lernen die Planung im Bereich der erneuerbaren Energien unterstützen und Daten für die Überwachung des Übergangs zu sauberer Energie liefern kann.

Bioakustik: Das „AI for Good Lab“ von Microsoft arbeitet mit Naturschutzorganisationen und Forschungslabors zusammen, um maschinelles Lernen und Deep Learning auf große Mengen an Tonaufnahmen von Wildtieren anzuwenden. Zu den Projekten gehört das „Project Guacamaya“, das in Partnerschaft mit dem Humboldt-Institut durchgeführt wird und Bioakustik zur Artenidentifizierung im Amazonasgebiet nutzt. Weitere Arbeiten unterstützen die Überwachung von Belugawalen sowie die automatisierte Klassifizierung von Vogel- und Amphibienrufen und treiben so die Forschung und den Schutz der Artenvielfalt voran.

Beschleunigung von Biodiversitätserhebungen: Das „AI for Good Lab“ von Microsoft, Microsoft Research und Microsoft AI for Earth arbeiten mit NOAA Fisheries, Sieve Analytics und LILA BC zusammen, um Biodiversitätserhebungen mithilfe von maschinellem Lernen zu beschleunigen. Die Projekte analysieren Bild- und Tonmaterial von Fotofallen, Luftbildkameras und Mikrofonen und reduzieren so den manuellen Annotationsaufwand. Ziel dieser Arbeit ist es, Naturschützern schneller Daten zu Wildtierpopulationen zur Verfügung zu stellen und damit Entscheidungen zum Schutz von Lebensräumen, zur Infrastruktur und zu Maßnahmen gegen Wilderei zu unterstützen.

Kartierung der Bodenbedeckung: Microsofts Projekt zur Kartierung der Bodenbedeckung nutzt Computer Vision, um Fernerkundungsdaten in Informationen zur Landnutzung und Bodenbedeckung umzuwandeln. Dieser Ansatz reduziert den Zeitaufwand, den Umweltwissenschaftler und Geodatenanalysten für die manuelle Kartierung von Gebieten aufwenden, sodass sie sich stärker auf die Analyse und Entscheidungsfindung konzentrieren können. Durch die Automatisierung von Teilen des Kartierungsprozesses unterstützt Microsoft die Umweltüberwachung und hilft Organisationen bei der Arbeit mit groß angelegten Geodatensätzen.