(English below)

Cháy rừng là một thành phần tự nhiên của hệ thống Trái đất, rất quan trọng đối với việc giải phóng chất dinh dưỡng và sự phát triển của thảm thực vật. Tuy nhiên, biến đổi khí hậu đang góp phần gây ra các vụ cháy rừng thường xuyên hơn, tàn phá hơn và ít dự đoán hơn trên toàn thế giới. Đặc biệt, Australia thường xuyên xảy ra cháy rừng trong mùa hè, nhưng mùa cháy rừng tàn khốc 2019-2020, được gọi là Mùa hè đen, là mức độ nghiêm trọng và quy mô chưa từng có, khiến hàng chục người thiệt mạng và hàng nghìn ngôi nhà bị phá hủy.

Định lượng và giám sát các đám cháy là cơ bản để giảm thiểu tác động tiêu cực của chúng đối với môi trường và xã hội, nhưng cũng đối với các nghiên cứu khí hậu đang diễn ra, vì cháy rừng có ảnh hưởng đáng kể đến khí thải toàn cầu và biến đổi khí hậu. Tính khả dụng ngày càng cao của dữ liệu Quan sát Trái đất (EO) kết hợp với các phân tích nâng cao được cung cấp bởi Trí tuệ nhân tạo (AI) và Máy học (ML), cùng với sức mạnh xử lý đặc biệt của điện toán đám mây, đã cho phép dự án cháy rừng AI4EO, do CGI UK dẫn đầu , để tạo ra một dịch vụ có thể lập bản đồ các đám cháy ở mức độ chi tiết chưa từng có và cũng cung cấp thông tin nhanh chóng, đáng tin cậy và dễ tiếp cận theo yêu cầu của cộng đồng chữa cháy rừng.

 

AI để hỗ trợ lập bản đồ khu vực bị cháy

Việc áp dụng AI cho lập bản đồ Khu vực bị bỏng (BA) là một bước tiềm năng quan trọng để nâng cao các giải pháp hiện tại. Đám cháy xảy ra ở các địa điểm khác nhau trên thế giới, ở các cường độ khác nhau và trong thời gian khác nhau. Tín hiệu của những đám cháy này khi nhìn thấy từ dữ liệu vệ tinh có thể khác nhau đáng kể. Hình dưới đây cho thấy các ví dụ về đám cháy và các khu vực bị cháy trông như thế nào khi sử dụng hỗn hợp màu giả từ Sentinel-2.

Hình 1: Các ví dụ về hoạt động cháy được quan sát từ Sentinel-2 ở Úc và Pháp. Dấu hiệu sẹo bỏng được thể hiện dưới dạng màu đỏ sẫm. Màu đỏ tươi trong các hình ảnh cho thấy ngọn lửa bùng cháy tại thời điểm cây cầu vượt.
 

AI đưa ra giải pháp để đối phó với các tín hiệu hỗn hợp này, được xác định bởi dữ liệu được sử dụng để đào tạo thuật toán. Để đáp ứng điều này, thuật toán AI được chọn đã được đào tạo bằng cách sử dụng một tập dữ liệu tham chiếu lớn do Đại học Leicester tạo ra như một phần của Sáng kiến ​​Biến đổi Khí hậu (CCI) của ESA, cung cấp sự phân bố theo không gian và thời gian chưa từng có, đặc trưng cho bản chất của các đám cháy thảm thực vật trên toàn cầu . Độ chính xác của thuật toán đã được thử nghiệm trên 13 trang web tham khảo trên khắp Australia và Pháp, thu được điểm chính xác trung bình là 81%.

 

Một ví dụ ở Úc: đám cháy Thượng Murray

Nhóm chống cháy rừng AI4EO đã sử dụng các ví dụ về các sự kiện cháy rừng khác nhau trên khắp nước Úc để đánh giá chất lượng và độ chính xác của thuật toán được phát triển dựa trên dữ liệu do các tổ chức quản lý cháy rừng của Úc cung cấp. Một ví dụ là đám cháy Upper Murray - Victoria, nơi gần ¼ trong số một triệu ha bị cháy trong vài tháng từ tháng 12 năm 2019 đến tháng 2 năm 2020. Đây là đám cháy cực kỳ phức tạp, thiêu rụi nhiều loại thảm thực vật khác nhau và chạy qua hai bang của Úc. Diễn biến của đám cháy này được tóm tắt trong các bản đồ dưới đây (Hình 2). Phương pháp AI4EO lập bản đồ 85% diện tích bị đốt cháy tham chiếu. Trong cả nước, các sản phẩm lập bản đồ BA được phát triển luôn duy trì mức độ chính xác cao khi so sánh với dữ liệu tham chiếu được đo thủ công được cung cấp.

Hình 2: Đám cháy Murray Thượng - Tháng 12 năm 2019 đến tháng 2 năm 2020. Ảnh trên: Hình ảnh trước (trái) và sau cháy (phải) được sử dụng làm dữ liệu đầu vào cho thuật toán. Dưới đây, các kết quả cận cảnh của ánh xạ Vùng cháy cho kết quả cả ở định dạng raster (trái) và vectơ (phải) (chu vi lửa) do dịch vụ AIBAM tạo ra. Có 85% đồng ý tổng thể về khu vực bị cháy trong phạm vi của dữ liệu tham chiếu (màu xám đậm) khi so sánh với các phép đo thực địa
 

Một dịch vụ trình diễn mở, dễ tiếp cận

Thuật toán được phát triển đã được cung cấp cho cộng đồng quản lý cháy rừng và môi trường dưới dạng một sản phẩm Bản đồ khu vực bị đốt bằng trí tuệ nhân tạo (AIBAM). Dịch vụ AIBAM có thể được truy cập thông qua Phòng thí nghiệm EO4SD (để yêu cầu tài khoản Phòng thí nghiệm EO4SD miễn phí của bạn, vui lòng liên hệ trực tiếp với chúng tôi tại support@eo4sd-lab.net), một cổng trực tuyến cung cấp quyền truy cập vào kho lưu trữ rộng rãi dữ liệu EO cùng với các công cụ, quy trình làm việc và các dịch vụ để thu được thông tin hữu ích từ dữ liệu đó (Hình 3). Một số sản phẩm trình diễn, bao gồm các sự kiện cháy rừng có liên quan đến người dùng đã được tạo và chia sẻ. Phản hồi tích cực khi người dùng nhận ra các sản phẩm có thể bổ sung và mở rộng các khả năng hiện có của họ. Tuyển chọn các sản phẩm này có sẵn thông qua giao diện EOWiki của Phòng thí nghiệm EO4SD.

-----

ARTIFICIAL INTELLIGENCE FOR EARTH OBSERVATION: MONITORING OF WILDFIRES - P1
Wildfires are a natural component of the Earth system, important for nutrient release and vegetation growth. Climate change, however, is contributing to more frequent, more destructive and less predictable wildfires worldwide. Australia, in particular, experiences regular bush fires during the summer, but the devastating 2019-2020 bushfire season, known as the Black Summer, was unprecedented in its severity and scale, killing dozens of people and destroying thousands of homes.

Quantifying and monitoring fires is fundamental to mitigate their negative impact on the environment and society, but also for the ongoing climate studies, as wildfires have a significant influence on global atmospheric emissions and climate change. The increasing availability of Earth Observation (EO) data combined with the advanced analytics provided by Artificial Intelligence (AI) and Machine Learning (ML), along with the exceptional processing power of cloud computing, has allowed the AI4EO wildfire project, led by CGI UK, to generate a service that can map fires at an unprecedented level of detail and also provide fast, reliable and accessible information as required by the wildfire fighting community.

 

AI to assist in burnt area mapping

The application of AI to Burned Area (BA) mapping is an important potential step to enhance current solutions. Fire occurs in different locations across the world, at different intensities and for varying durations. The signal of these fires when seen from satellite data can be significantly different. The figure below shows examples of what fires and burned areas look like using a false colour composite from Sentinel-2.

 

Figure 1: Examples of burning activity observed from Sentinel-2 over Australia and France. The burn scar signal is shown as a dark red. The bright red in the images indicate flaming fires burning at the time of the overpass.
 

AI offers a solution to deal with these mixed signals, defined by the data used to train the algorithm. In response to this, the selected AI algorithm has been trained using a large reference data set generated by the University of Leicester as part of ESA’s Climate Change Initiative (CCI), which provides unprecedented spatial and temporal distribution that characterise the nature of vegetation fires globally. The accuracy of the algorithm was tested on thirteen reference sites across Australia and France obtaining an average accuracy score of 81%.

 

An Australian example: the Upper Murray fire

The AI4EO wildfire team has used examples of different fire events across Australia to assess the quality and accuracy of the developed algorithm against data provided by Australia’s wildfire management organisations. One example is the Upper Murray – Victoria fire, where nearly ¼ of a million hectares burned for several months from December 2019 to February 2020. This was an extremely complex fire that consumed many different types of vegetation, and run across two states in Australia. The evolution of this fire is summarised in the maps below (Figure 2). The AI4EO approach mapped 85% of the reference burned area. Throughout the country, the developed BA mapping products have consistently maintained a high level of accuracy when compared to the manually measured reference data provided.

Figure 2: Upper Murray Fire – December 2019 to February 2020. Above: Pre (left) and post-fire (right) images used as input data for the algorithm. Below, close ups of Burnt Area mapping results both in raster (left) and vector (right) format (fire perimeter) as produced by the AIBAM service. There was an overall 85% agreement in burned area within the extent of the reference data (dark grey) when compared to field measurements
 

An open, accessible demonstration service

The developed algorithm has been made available to the wildfire management and environmental community as an Artificial Intelligence Burned Area Mapping (AIBAM) product. The AIBAM service can be accessed through the EO4SD Lab (to request your free EO4SD Lab account please contact us directly at support@eo4sd-lab.net), an online portal that provides access to an extensive archive of EO data along with tools, workflows and services to derive useful information from such data (Figure 3). A number of demonstration products, covering wildfire events relevant to the users have been generated and shared. Feedback has been positive with users recognising the products can complement and extend their existing capabilities. A selection of these products are available through the EO4SD Lab’s EOWiki interface.

Geolink tổng hợp từ Eo4society