Combate ao fogo com aprendizado de máquina: dois alunos usam o TensorFlow para prever incêndios florestais
No ano passado, aquelas árvores imponentes estavam sendo transformadas em cinzas por incêndios florestais. 2017 foi a estação de incêndios florestais mais destrutiva da Califórnia já registrada, com mais de 9.000 incêndios queimando aproximadamente 2.200 quilômetros quadrados de floresta. Observando a destruição de árvores centenárias, eu me desafiei a encontrar uma solução para impedir essa perda colossal.
Quando eu tinha 15 anos, eu comecei uma organização sem fins lucrativos, a Raindrop US, para ajudar a aumentar a conscientização sobre a seca na Califórnia. Eu também criei a “Sociedade Verde” na minha escola, Monta Vista High School, para aumentar a conscientização sobre o aquecimento global. Foi em reuniões desta sociedade em abril passado que comecei a me associar com Sanjana Shah, uma amiga e colega, para criar uma solução permanente para a prevenção de incêndios florestais. Sanjana compartilha minha paixão por questões ambientais e recebeu vários prêmios nacionais e internacionais no setor ambiental, incluindo o Prêmio Presidencial dos EUA em 2016.
Decidimos desenvolver um dispositivo que pudesse identificar e prever áreas em uma floresta que são suscetíveis a incêndios florestais, fornecendo um aviso antecipado aos bombeiros. As ferramentas disponíveis medem a maioria dos fatores responsáveis pelos incêndios florestais, como velocidade do vento, direção do vento, umidade e temperatura. No entanto, a biomassa, que é criada por anos de queda de galhos e árvores, é um desafio para estimar e medir. Usando o TensorFlow, a ferramenta de aprendizado de máquina de código aberto do Google, podemos analisar imagens de biomassa e estimar seu conteúdo e tamanho de umidade para determinar a quantidade de combustível morto.
Quando o teor de umidade dos galhos e folhas abatidos na floresta é de 0%, ele é classificado como combustível morto. Quando o teor de umidade do combustível é alto, os incêndios não se acendem prontamente, ou em absoluto, porque a maior parte da energia de calor do fogo é usada tentando evaporar e expulsar a água da planta para que ela queime. Quando o teor de umidade do combustível é baixo, o fogo começa mais facilmente e pode se espalhar rapidamente, pois toda a energia do calor vai diretamente para a própria chama.
Usado em uma rede de sensores, nosso dispositivo Smart Wildfire Sensor poderia remover a necessidade de equipes de prevenção de incêndio visitarem áreas florestais para coletar amostras de combustíveis mortos e classificá-las manualmente. Também será capaz de prever a probabilidade de incêndios florestais em uma floresta em um nível de granularidade de 100 metros quadrados. A estimativa perfeita do acúmulo de biomassa poderia impedir significativamente a velocidade e a ferocidade com que esses incêndios se espalham, reduzindo os custos para combatê-los e protegendo casas e vidas.
No verão passado, identificar e capturar imagens de combustível morto acumulado no solo da floresta foi um desafio significativo. No entanto, com a ajuda da Cal Fire em três municípios cobrindo florestas nas áreas mais vulneráveis para possíveis incêndios florestais, conseguimos capturar as imagens necessárias para treinar o modelo de aprendizado de máquina. Estamos planejando testar ainda mais nosso dispositivo neste verão usando drones aéreos e aéreos para capturar mais imagens de biomassa em zonas propensas a incêndios florestais para melhorar ainda mais nossa precisão de previsão.
Assim como as sequóias gigantes não se desanimam em seu esforço para alcançar os céus, mesmo em incêndios florestais destrutivos, nossa resolução para impedir sua destruição é igualmente forte. Estamos determinados a fazer uso total e efetivo de câmeras de alta resolução e ferramentas de aprendizado de máquina disponíveis, como o TensorFlow, para prever com precisão e evitar a perda irrevogável de nossa natureza mais preciosa.
Comentários
Postar um comentário