Роль искусственного интеллекта в борьбе с лесными пожарами: автоматизация и быстрая реакция
Порой у нас в компании случаются весьма занятные обсуждения за обедом. Очередную тему навеяли новости о первых лесных пожарах в этом году. Сначала сошлись во мнении, что, в принципе, новостей о пожарах стало гораздо больше (потом я уже сам проверил, и честно говоря, был поражен, что это не новости активно раздуваются, а реально пожаров стало в разы больше). Ну а поскольку в Nlabteam, в основном, программисты и ML-щики, то дальше мы сели на свой любимый конек: как использовать высокие технологии для борьбы с пожарами. Получилась весьма целостная картинка, которую я немного структурировал и решил поделиться с читателями.
Итак, борьба с пожаром состоит из следующих этапов: обнаружение, классификации, прогноз распространения, план борьбы и само тушение.
Обнаружение очагов пожара, по общему заключению, ведется достаточно современными способами: у нас есть спутники, дроны, видеокамеры и тепловые сенсоры. Они снимают в видимом, инфракрасном или радиодиапазоне.
Это очень-очень много данных, в которых нужно заметить малейшие изменения, а затем отличить, скажем, облако от дыма, а тепловое пятно печки во дворе — от горящей кучи мусора. И сделать это надо с максимальной скоростью: костер тушится ведром воды, а через 15-20 минут это уже может быть полноценным пожаром. Классификация и обнаружение объектов на изображении – это классические задачи машинного обучения. Размечаем тысячи изображений, учим классификатор (сейчас уже есть много пред обученных, которым данных нужно не так уж много) и дальше ставим улучшение нейросети на поток: больше новых данных – новые модели – меньше ошибка обнаружения и классификации. И похоже, именно так это и работает сейчас в России.
К этой же задаче обнаружения пожаров вспомнился еще один класс математических алгоритмов – это повышение разрешающей способности фотографий. Конечно, не как в боевиках, когда зум позволяет из космоса рассмотреть татуировку злодея, но если сделать несколько снимков с разных точек, взаимное положение которых известно, то можно за счет математической обработки значительно повысить детализацию. Ранее это были методы на основе бикубической интерполяции, теперь лучшие результаты дают нейросети-автоэнкодеры. В результате, при съемке с орбиты можно лопухи в огороде пересчитать.
Допустим, средствами спутникового наблюдения обнаружен пожар, теперь нужно оперативно определить направление распространения пожара, спрогнозировать скорость движения огня. Используя топографические карты, данные о погоде и плотности растительного покрова можно построить достаточно точную модель горения. Дополнив это съемкой в реальном времени (с дрона, например), получим модель распространения огня в реальном времени. Такая система развернута в некоторых странах (система FIRETEC), про наши достижения информации гораздо меньше. FIRETEC умеет учитывать влияние воздушных потоков, вызванных нагревом, взаимное влияние «конкурирующих» потоков воздуха, воздействие соседних линий пожара и многое другое. Правда, производители признают, что для работы этой системы до сих пор нужен суперкомпьютер.
Зная, как будет развиваться пожар, необходимо составить план его тушения. Теоретически, он может быть составлен искусственным интеллектом: есть наработки для систем управления производственными процессами. Однако, для этого алгоритмам нужно дать информацию о доступных ресурсах: количестве людей, техники, ближайших водоемах, мостах, дорогах, их проходимости и грузоподъемности. То есть, должен быть создан цифровой двойник инфраструктуры в каждой пожароопасной точке страны. До такого уровня цифровизации еще ни одно государство не доросло (хотя, есть уже новости, что в России целый город Кронштадт получил своего цифрового двойника).
Сейчас на практике, фаза планирования борьбы с пожаром полностью отдана на откуп человеку: кто еще подскажет, что мост через речку прогнил и Камаз с пожарным расчетом не проедет или что пилот местного «кукурузника» заболел (запил) и не сможет поднять самолет?
То, что сейчас технологически доступно – это сопоставление плана тушения с моделью распространения огня, что позволяет максимально рационально распределить силы как пожарных расчетов, так и администрации районов (эвакуация населения, оказание помощи пострадавшим). Насколько это применяется у нас в стране – неизвестно. Судя по тому, что количество пострадавших от лесных пожаров не убывает, сейчас либо такое моделирование недостаточно точное, либо делается слишком медленно из-за несовершенства алгоритмов, либо просто выполнить весь план мероприятий не удается вовремя.
Заключительный этап – это, непосредственно, тушение пожара.
В новостях часто показывают группу смертельно уставших и наглотавшихся дымом солдат и пожарных, которые вырубают кустарник, тушат ранцевыми огнетушителями траву, копают защитные полосы.
Перспектива ближайшего будущего – замена людей автономными или полуавтоматическими системами. Какие-то образцы техники доступны уже сейчас, но это единичные случаи применения. Нам кажется, что в этой задаче прорывным будет момент, когда роботизированная техника обзаведется собственным распределенным мозгом – так называемым, роевым интеллектом.
Почему при тушении пожара нельзя использовать централизованный разум, который будет рассылать команды на все роботизированные комплексы?
В первую очередь, из-за удаленности и распределенных объектов пожаротушения: задержки управляющих сигналов, отсутствие информации в реальном времени о локальном задымлении, повышении температуры или порыве ветра может привести к потери большей части роботехники. А локальный супер-интеллект на каждом коптере будет неоправданно дорогим. Роевое взаимодействие, когда каждый элемент роя делает общий вклад в принятие решений и, в то же время, обладает собственной автономией, делает возможным работу в агрессивных условиях без непрерывного внешнего контроля. Создание роевых алгоритмов принятия решений интенсивно решается, но пока далеко от завершения.
И последнее, хотя и не менее важное: развитие AI позволяет предсказывать пожароопасные ситуации до того, как они возникли. По статистике, 90% пожаров возникают по вине человека, от банальных туристических костров до неграмотно организованных сельскохозяйственных или лесозаготовительных мероприятий. Пока обсуждали, не смогли найти в сети никаких упоминаний практического использования искусственного интеллекта для предсказания вероятных мест пожаров. И это больше всего удивило: кажется очевидным, что скопление мобильных сигналов или сигналов раций в лесу, характер их перемещения можно сопоставить с картой работ лесозаготовок, графиком праздничных и выходных дней и спрогнозировать вероятные точки пожара. Да, грибников и комбайнеров у нас много, но и облететь район десятком коптеров не такая уж сложная задача, если даже овец пасут теперь с использованием дронов. Можно предположить, что такие методы предупреждения пожаров не получили распространения из-за опасений в нарушении прав человека на свободное перемещение и личное пространство, но мы уже сейчас, выезжая на природу, можем получить смс от МЧС об усилении ветра или опасности выхода на лед. Так что, вероятнее всего, это просто еще не реализовано в виде полноценной промышленной системы. Если кто-то лучше знаком с этой темой, оставляйте свои комментарии.
Причем, если уж чуть пофантазировать, этот дрон может нести на подвесе небольшой объем средств пожаротушения, достаточных для купирования пожара «в зародыше». Или на те же обнаруженные смартфоны в лесу можно отправить сообщения о необходимости потушить костер. Между прочим, эксперименты с GPT показали, что он прекрасно умеет решать сложные психологические задачи общения с человеком, так что, возможно, если дать роботу поговорить с нарушителем, он его убедит, что разжигать костер было ошибкой.
Итак, что же у нас получилось в итоге:
Как говорится, потенциал развития виден невооруженным взглядом. Надеюсь, новостей о внедрении таких технологий в регионах будет скоро больше, чем новостей об очередном сгоревшем поселке или смоге в Москве.