Microsoft, Azure и технологии искусственного интеллекта борются с рисками лесных пожаров в Калифорнии

Компания Microsoft инвестирует в разработку систем обнаружения лесных пожаров на основе искусственного интеллекта; Хуан Лависта Феррес, старший вице-президент и главный специалист по данным, обсуждает стратегии по снижению ущерба окружающей среде.

По данным НАСА, изменение климата затрагивает всех жителей Земли, проявляясь в виде повышения температуры, изменения режима осадков и повышения уровня моря.

НАСА заявляет, что существуют неопровержимые доказательства того, что Земля нагревается с беспрецедентной скоростью, причем основной причиной этого является деятельность человека.

По мере повышения глобальных температур лесные пожары представляют собой все более серьезную угрозу.

В США повышение температур, затяжные засухи и расширение зоны застройки усугубляют риски для населенных пунктов и экосистем.

В прошлом году по всей стране было зарегистрировано почти 78 000 лесных пожаров, что на 20 % больше, чем годом ранее.

В Калифорнии, где пожары исторически формировали леса, луга и прибрежные ландшафты, задача все чаще заключается в том, чтобы организовать сосуществование сообществ с последствиями изменения климата.

Учёные, пожарные и лаборатория «AI for Good» компании Microsoft используют искусственный интеллект для более раннего обнаружения лесных пожаров, что даёт аварийно-спасательным службам больше времени на реагирование.

Мы стремимся сделать эту технологию доступной во всем мире.

Хуан Лависта Феррес, вице-президент и главный специалист по данным в лаборатории AI for Good компании Microsoft.

Microsoft выделила 5 миллионов долларов на развитие технологий обнаружения лесных пожаров на основе искусственного интеллекта, финансируя расширение систем компьютерного зрения, работающих в режиме реального времени, которые демонстрируют новые подходы к применению машинного обучения в мониторинге окружающей среды, где время имеет решающее значение.

Как технологии помогают предотвратить распространение лесных пожаров

Компьютерное зрение в широком масштабе

На протяжении десятилетий обнаружение лесных пожаров полагалось на людей, которые замечали дым с дорог, наблюдательных пунктов или из близлежащих населенных пунктов, а затем оповещали службы экстренной помощи.

Компания ALERTCalifornia, основанная при Калифорнийском университете в Сан-Диего, меняет этот подход с помощью сети из почти 1 300 камер, установленных в подверженных пожарам районах штата.

Система непрерывно отслеживает видеопоток с камер в режиме реального времени и использует искусственный интеллект для выявления потенциальных признаков дыма.

Она сравнивает изображения с разных ракурсов, подтверждает местоположение пожаров и в течение нескольких минут отправляет оповещения аварийным службам.

За первые два месяца работы сеть обнаружила 77 инцидентов до того, как о них поступили сообщения по другим каналам.

В настоящее время система ежедневно обрабатывает более семи миллионов изображений, выявляя лесные пожары за 2,5 часа до поступления первого звонка в службу 911.

Модель искусственного интеллекта должна отличать подлинные признаки пожара от «шума» окружающей среды, такого как облака, туман и изменяющиеся условия освещения в разное время суток и в разные сезоны.

Эта задача классификации усложняется разнообразием наблюдаемых ландшафтов — от густых лесов до лугов и прибрежных регионов.

Д-р Нил Дрисколл, геофизик и основатель ALERTCalifornia, заявляет: «Данные показывают не только то, как выглядит ландшафт.

Д-р Нил Дрисколл, геофизик и основатель ALERTCalifornia. Фото: Эмили Чжэн (Emily Zheng) для Microsoft

«Они помогают нам понять, как он меняется со временем».

Согласно оперативным данным проекта, обнаружение пожаров за 2,5 часа до традиционных методов указывает на то, что порог чувствительности модели был откалиброван для выявления дыма на ранних стадиях при сохранении приемлемой точности.

Производительность модели в реальных условиях

Внедрение системы подчеркивает практические аспекты, которые необходимо учитывать при использовании систем искусственного интеллекта в критически важных сценариях обнаружения.

Ежедневная обработка семи миллионов изображений требует инфраструктуры, способной выполнять непрерывные вычисления в больших масштабах, при этом грант на Azure, входящий в состав вклада Microsoft в размере 5 миллионов долларов, потенциально может удовлетворить вычислительные потребности.

Факты о лесных пожарах от Earth.Org

• Для возгорания лесных пожаров необходимы три основных условия: сухая растительность (топливо), воздух, насыщенный кислородом, и источник тепла. Сильные ветры могут ускорить распространение огня.
• Молнии являются естественным источником возникновения лесных пожаров: молния — один из основных природных источников возгорания, причем более горячие и продолжительные удары чаще приводят к возникновению пожаров. Исследование 2014 года показало, что повышение температуры на 1 °C может увеличить частоту молний на 12 %.
• Более 80 % лесных пожаров в США вызваны человеком: такие виды деятельности, как оставленные без присмотра костры, сигареты, барбекю и пиротехника, являются причиной около 84 % лесных пожаров в США.
• Лесные пожары вызывают широкомасштабное загрязнение воздуха: дым содержит газы и мелкие частицы, которые переносятся на большие расстояния, проникают глубоко в легкие и повышают риски для здоровья дыхательной и сердечно-сосудистой систем.
• Изменение климата удлиняет сезон лесных пожаров: повышение температуры, засуха и сокращение количества осадков приводят к тому, что всё больше растительности становится сухой и легковоспламеняющейся. В США сезон пожаров, который раньше длился четыре месяца, теперь растягивается на шесть–восемь месяцев и более.
• Лесные пожары создают петлю обратной связи с климатом: крупномасштабные пожары выделяют значительные объемы парниковых газов, уничтожая при этом растительность, накапливающую углерод, что способствует дальнейшему потеплению и увеличивает вероятность и интенсивность будущих лесных пожаров.

В 2023 году возможности системы по обнаружению пожаров помогли сдержать пожар «Троттер» в округе Керн (США) на площади 52 акра; по прогнозам, без вмешательства ИИ его площадь могла бы достичь почти 4 000 акров.

Эти реальные результаты служат примерами для оценки влияния модели, выходящей за рамки стандартных показателей точности.

Роль этой технологии во время пожара «Кинкейд» в округе Сонома (США) в 2019 году, когда она помогла эвакуировать более 180 000 жителей без человеческих жертв, демонстрирует, как системы раннего предупреждения влияют на протоколы реагирования на чрезвычайные ситуации.

«Мы получаем важную информацию уже в первые пять минут», — говорит Закари Уэллс, заместитель начальника пожарной службы округа Керн и заместитель директора по оперативной работе ALERTCalifornia.

Закари Уэллс, заместитель начальника пожарной службы округа Керн и заместитель директора по оперативной деятельности организации ALERTCalifornia. Фото: Эмили Чжэн

«Именно это раннее понимание определяет все последующие действия».

Масштабируемость и адаптация развертывания

Структура финансирования со стороны Microsoft, включающая 2 миллиона долларов на разработку технологий и грант Azure в размере 3 миллионов долларов, указывает на приоритеты как в области совершенствования моделей, так и в области вычислительной инфраструктуры.

«Мы хотим, чтобы эта технология была доступна людям по всему миру», — говорит Хуан Лависта Феррес, вице-президент и главный специалист по данным в лаборатории Microsoft AI for Good Lab.

Хуан Лависта Феррес, старший вице-президент и главный специалист по данным в Microsoft

Расширение применения этого подхода за пределы Калифорнии сопряжено с техническими сложностями, связанными с обобщением модели и переносным обучением.

Риски лесных пожаров значительно варьируются в зависимости от местоположения, а это означает, что системы должны учитывать особенности местного ландшафта, растительности, погодных условий и структуры реагирования на чрезвычайные ситуации.

Модель, обученная преимущественно на данных из Калифорнии, может потребовать тонкой настройки или повторного обучения при развертывании в регионах с другими типами растительности, рельефом или климатическими особенностями.

В рамках проекта также разрабатываются возможности, выходящие за рамки первоначального обнаружения: используются данные LiDAR, охватывающие площадь почти 98 000 квадратных миль, для создания подробных цифровых моделей ландшафта.

Это расширение деятельности на картографирование рельефа, мониторинг состояния лесов и оценку рисков после пожаров предполагает создание более широкой архитектуры конвейера данных.

Сочетание компьютерного зрения для обнаружения дыма с данными об окружающей среде, полученными с помощью LiDAR, позволяет применять подходы многозадачного обучения, которые повышают общий интеллект системы и обеспечивают дополнительные сценарии использования базовой инфраструктуры и наборов данных.

Изображения на основе ИИ ускоряют обнаружение лесных пожаров

Краткая информация о климате от Организации Объединенных Наций

• С 1970 года глобальная температура поверхности Земли повышается быстрее, чем в любой другой 50-летний период за последние как минимум 2 000 лет.
• Сейчас на Земле примерно на 1,42 °C теплее, чем в доиндустриальную эпоху (1850–1900 гг.).
• 2024 год стал самым тёплым за всю историю наблюдений: средняя глобальная приповерхностная температура превысила доиндустриальный базовый уровень на 1,55 °C.
• Период 2015–2024 годов стал самым тёплым десятилетием за всю историю наблюдений.
• Важно каждое доле градуса потепления. С каждым дополнительным повышением глобального потепления усиливаются изменения экстремальных явлений и возрастают риски.
• Углекислый газ (CO₂) накапливается в атмосфере быстрее, чем когда-либо за всю историю человечества: его концентрация выросла более чем на 10 % всего за два десятилетия.

Проекты лаборатории Microsoft AI for Good

Прогнозирование полярных сияний:проект Microsoft «Aurora Forecasting» использует базовую модель искусственного интеллекта с 1,3 миллиарда параметров для анализа атмосферных данных и улучшения прогнозирования погоды и климата. Модель поддерживает такие приложения, как прогнозирование погоды, моделирование качества воздуха и анализ экстремальных погодных явлений, демонстрируя, как ИИ может обрабатывать сложные наборы данных об окружающей среде для углубления понимания атмосферных условий и содействия планированию мер по обеспечению устойчивости.

Геопространственное машинное обучение: Лаборатория «AI for Good» компании Microsoft объединяет геопространственные данные, спутниковые и аэрофотоснимки с технологиями машинного обучения в сотрудничестве с университетами, природоохранными агентствами, НПО и Управлением по чрезвычайным ситуациям и ликвидации последствий стихийных бедствий при Министерстве внутренних дел Турции. Проекты включают оценку ущерба, нанесенного зданиям в результате землетрясений, картографирование ледников и растительного покрова, картографирование птицеводческих помещений и мониторинг возобновляемых источников энергии, что способствует ликвидации последствий стихийных бедствий, охране природы, гуманитарной деятельности и экологическому планированию.

Картирование ледников: лаборатория Microsoft «AI for Good» использует машинное обучение и спутниковые снимки для картирования ледников и экологического мониторинга в регионе Гиндукуш-Гималаи. В рамках проекта выявляются и очерчиваются как чистые ледники, так и ледники, покрытые обломками, а веб-инструмент позволяет экспертам проверять и корректировать прогнозы модели. Данный подход направлен на ускорение картографирования и улучшение понимания экосистем ледников, подверженных воздействию изменения климата.

Картографирование объектов возобновляемой энергетики: проект Microsoft «Картографирование объектов возобновляемой энергетики» использует геопространственное машинное обучение для масштабного картографирования и мониторинга развития возобновляемой энергетики. Эта технология помогает организациям понимать, где ведется развитие инфраструктуры возобновляемой энергетики, и отслеживать изменения на обширных территориях. Сочетая искусственный интеллект с геопространственной информацией, проект демонстрирует, как машинное обучение может способствовать планированию развития возобновляемой энергетики и предоставлять данные для мониторинга перехода к более экологически чистой энергии.

Биоакустика: Лаборатория «AI for Good» компании Microsoft сотрудничает с природоохранными организациями и исследовательскими лабораториями, применяя машинное обучение и глубокое обучение к большим объемам аудиозаписей дикой природы. Среди проектов — «Project Guacamaya», реализуемый в партнерстве с Институтом Гумбольдта, в рамках которого биоакустика используется для идентификации видов в Амазонии. Другие работы направлены на мониторинг белух и автоматическую классификацию звуков птиц и амфибий, что способствует развитию исследований в области биоразнообразия и его сохранению.

Ускорение исследований биоразнообразия: лаборатория Microsoft AI for Good, Microsoft Research и Microsoft AI for Earth сотрудничают с NOAA Fisheries, Sieve Analytics и LILA BC, чтобы ускорить исследования биоразнообразия с помощью машинного обучения. В рамках этих проектов анализируются изображения и аудиозаписи, полученные с помощью фотоловушек, аэрофотокамер и микрофонов, что позволяет сократить объем ручной аннотации. Эта работа направлена на то, чтобы быстрее предоставлять экологам данные о популяциях диких животных, что помогает принимать решения по защите среды обитания, развитию инфраструктуры и борьбе с браконьерством.

Картирование растительного покрова: в рамках проекта Microsoft Land Cover Mapping используется компьютерное зрение для преобразования данных дистанционного зондирования в информацию о землепользовании и растительном покрове. Данный подход сокращает время, которое экологи и геопространственные аналитики тратят на ручное картирование территорий, позволяя им уделять больше внимания анализу и принятию решений. Автоматизируя отдельные этапы процесса картирования, Microsoft способствует мониторингу состояния окружающей среды и помогает организациям работать с крупномасштабными наборами геопространственных данных.