ΕΛΛΑΔΑ

H Τεχνητή Νοημοσύνη στη «μάχη» κατά των δασικών πυρκαγιών: Τα προγράμματα «Deep Cube» και «SeasFire»

H Τεχνητή Νοημοσύνη στη «μάχη» κατά των δασικών πυρκαγιών: Τα προγράμματα «Deep Cube» και «SeasFire»
(AP Photo/Noah Berger, File)

Στoν αγώνα για την πρόληψη και την άμεση αντιμετώπιση των δασικών πυρκαγιών μπαίνει η τεχνητή νοημοσύνη, μέσω καινοτόμων προγραμμάτων.

Πρόκειται για τα προγράμματα «Deep Cube» και το «SeasFire» που έχουν αναπτυχθεί από το Εθνικό Αστεροσκοπείο Αθηνών μέσω της αξιοποίησης τεχνολογιών τεχνητής νοημοσύνης.

«H ανάπτυξη νέων μεθόδων τεχνητής νοημοσύνης, ξεφεύγουν από τις κλασσικές αρχιτεκτονικές νευρωνικών δικτύων» λέει στο CNN Greece, o καθηγητής, Γιάννης Παπουτσής.

Σύμφωνα με τον εντεταλμένο ερευνητή στο Εθνικό Αστεροσκοπείο Αθηνών, στο Ινστιτούτο Αστρονομίας, Αστροφυσικής, Διαστημικών Εφαρμογών και Τηλεπισκόπησης, νεοεκλεγείς στο ΕΜΠ, κ. Γιάννη Παπουτσή, «το Εθνικό Αστεροσκοπείο Αθηνών, μέσω της ερευνητικής ομάδας Orion Lab, συντονίζει δύο μεγάλα ερευνητικά Ευρωπαϊκά Προγράμματα, το DeepCube και το SeasFire, ενώ συμμετέχει σε ένα ακόμα σχετικό ερευνητικό Ευρωπαϊκό Πρόγραμμα, το TREEADS. Και στα 3 αυτά έργα ερευνούμε μεθόδους αξιοποίησης της δορυφορικής Παρατήρηση της Γης, σε συνδυασμό με την τεχνητή νοημοσύνη, για να εκτιμήσουμε το κίνδυνο δασικής πυρκαγιάς».

Η υπηρεσία DeepCube ξεκίνησε δοκιμαστικά πέρυσι το καλοκαίρι στη διάρκεια του οποίου ελέγχθηκε και η ακρίβεια της μεθόδου, ενώ φέτος σε καθημερινή βάση παραδίδονται στο Πυροσβεστικό Σώμα δύο χάρτες πρόβλεψης, έναν το απόγευμα και έναν νωρίς το πρωί της επόμενης ημέρας.

Διαβάστε τη συνέντευξη του εντεταλμένου ερευνητή στο Εθνικό Αστεροσκοπείο Αθηνών, στο Ινστιτούτο Αστρονομίας, Αστροφυσικής, Διαστημικών Εφαρμογών και Τηλεπισκόπησης, νεοεκλεγείς στο ΕΜΠ, Γιάννη Παπουτσή στο CNN Greece.

Κύριε καθηγητά, δεδομένου ότι βρισκόμαστε μπροστά στον κίνδυνο δασικών πυρκαγιών ενόψει καλοκαιριού, πώς μπορεί η τεχνολογία να συμβάλει στην πρόληψη και την αντιμετώπισή της; Μπορούν οι νέες τεχνολογίες και η τεχνητή νοημοσύνη να αξιοποιηθούν από την επιστημονική κοινότητα για να προλάβει δυσάρεστες καταστάσεις όπως είναι, εκτός από τις φωτιές, οι πλημμύρες και η ξηρασία;

Οι δασικές πυρκαγιές παραμένουν μια από τις μεγαλύτερες προκλήσεις φυσικών καταστροφών που αντιμετωπίζει ο πλανήτης μας, ενώ η Ελλάδα είναι μια από τις περιοχές που έχουν πληγεί ιδιαίτερα και με τεράστιο οικονομικό κόστος που συνδέεται με τις προσπάθειες κατάσβεσης, τη ζημιά στην ιδιοκτησία και την ανάγκη αποκατάστασης και ανάκαμψης.

Επιστημονικά διανύουμε μια εξαιρετικά ενδιαφέρουσα περίοδο, η οποία παρέχει σημαντικές ευκαιρίες για την κατανόηση σημαντικών φυσικών διεργασιών, αλλά και την ανάπτυξη κοινωνικά χρήσιμων εργαλείων για την πρόβλεψη ορισμένων φυσικών καταστροφών, υπό το πρίσμα της κλιματικής αλλαγής.

Τα τελευταία χρόνια έχει υπάρξει αξιοσημείωτη πρόοδος σε τρεις διαφορετικούς άξονες, στην τομή των οποίων παρουσιάζονται νέες ευκαιρίες για τη μοντελοποίηση του Γήινου φυσικού συστήματος.

Πρώτον, μέσα από το Ευρωπαϊκό Πρόγραμμα Copernicus, έχει συγκεντρωθεί ένας απίστευτος όγκος δεδομένων Παρατήρησης της Γης, που προέρχονται κυρίως από αισθητήρες που βρίσκονται πάνω σε δορυφόρους που βρίσκονται σε συνεχή τροχιά γύρω από τη Γη, αλλά και από επίγεια μετρητικά δίκτυα. Οι αισθητήρες αυτοί μας παρέχουν συστηματικά, ανελλιπώς και πιστοποιημένα, μετρήσεις για το φυσικό μας περιβάλλον, όπως είναι η θερμοκρασία του εδάφους, η υγρασία του, η υγεία της βλάστησης, πριν και μετά από μεγάλες καταστροφές, όπως είναι η παρατεταμένη ξηρασία, οι δασικές πυρκαγιές, και τα πλημμυρικά φαινόμενα. Έτσι έχει δημιουργηθεί ένα μεγάλο αρχείο παρατηρήσεων και μετρήσεων το οποίο φτάνει τα αρκετά PetaBytes δεδομένων.

Παράλληλα, για παράδειγμα, έχει βοηθήσει στη δημιουργία μοντέλων που έχουν την ικανότητα να «χωνέψουν» δεδομένα που έχουν χωρική κάλυψη (π.χ. δορυφορικές εικόνες), χρονική εξέλιξη (ο δορυφόρος περνάει ξανά και ξανά κάθε λίγες ημέρες και απεικονίζει την ίδια περιοχή), αλλά και να συνδυάσουν δεδομένα που προέρχονται από διαφορετικούς αισθητήρες και φυσικά μοντέλα (π.χ. μετεωρολογικά μοντέλα). Τέτοια μοντέλα έχουν την ικανότητα να κωδικοποιούν σύνθετες αλληλεπιδράσεις και να προβλέπουν τις δυσάρεστες καταστάσεις που αναφέρετε.

Η δυνατότητα πρόβλεψης είναι μεν σημαντική, αλλά σε εφαρμογές που έχουν μεγάλο κοινωνικό, οικονομικό και περιβαντολλογικό αντίκτυπο, δεν είναι αρκετό.

Ιδιαίτερα οι φορείς που είναι επιφορτισμένοι με τη λήψη αποφάσεων για τη θωράκιση μας από τις φυσικές καταστροφές, δεν αρκούνται στην πρόβλεψη αλλά θέλουν να γνωρίζουν και γιατί έχει γίνει αυτή η πρόβλεψη από ένα μοντέλο τεχνητής νοημοσύνης.

Εδώ υπάρχει πρόσφατη επιστημονική πρόοδος μέσα από αλγορίθμους Εξηγήσιμης Τεχνητής Νοημοσύνη (eXplainable Artificial Intelligence - xAI) οι οποίοι έρχονταν να ρίξουν φως στο μαύρο κουτί των νευρωνικών δικτύων, και να εξηγήσουν γιατί το μοντέλο έκανε μια συγκεκριμένη πρόβλεψη και όχι κάποια άλλη. Αυτή η δυνατότητα ερμηνείας είναι ένα σημαντικό στοιχείο για την υιοθέτηση της τεχνητής νοημοσύνης από επιχειρησιακούς παράγοντες.

Ο τρίτος τεχνολογικός πόλος είναι η πρόοδος στο υπολογιστικό hardware, που μας δίνει τη δυνατότητα να αποθηκεύσουμε τον μεγάλο όγκο διαθέσιμης πληροφορίας, να ανατρέξουμε σε αυτόν γρήγορα, και κυρίως να τον επεξεργαστούμε για να εκπαιδεύσουμε μεγάλα μοντέλα τεχνητής νοημοσύνης με εκατομμύρια έως και δισεκατομμύρια παραμέτρους. Τέτοιες υποδομές είναι διαθέσιμες στην Ελλάδα μέσω του Εθνικού Δικτύου Υποδομών Τεχνολογίας και Έρευνας (ΕΔΥΤΕ) και του υπερυπολογιστικού κέντρου ARIS.

Το τρίπτυχο λοιπόν μεγάλα δεδομένα Παρατήρησης της Γης, μέθοδοι τεχνητής νοημοσύνης, και υποδομές μεγάλης υπολογιστικής ισχύος αποτελούν τα εργαλεία που έχουμε στα χέρια μας για να εκτιμήσουμε τον κίνδυνο φυσικών καταστροφών. Η Ευρωπαϊκή Κοινότητα έχει αναγνωρίσει την ευκαιρία που βρίσκεται μπροστά μας και έχει επενδύσει στη χρηματοδότηση ερευνητικών έργων που αξιοποιούν αυτές τις τεχνολογίες για τη διαχείριση ακραίων φυσικών φαινομένων.

H ερευνητική ομάδα Orion Lab του Ινστιτούτου Αστρονομίας, Αστροφυσικής, Διαστημικών Εφαρμογών και Τηλεπισκόπησης στο Εθνικό Αστεροσκοπείο Αθηνών είναι πρωτοπόρα και έχει αναλάβει συντονιστικό ρόλο Ευρωπαϊκά στην ανάπτυξη καινοτόμων εφαρμογών που αξιοποιούν αυτές τις τεχνολογίες αιχμής στη διαχείριση δασικών πυρκαγιών. Οι υπηρεσίες διαχείρισης δασικών πυρκαγιών έχουν αναπτυχθεί και με τα δεδομένα που λαμβάνουμε εβδομαδιαία από το Πυροσβεστικό Σώμα, το οποίο πρέπει να πούμε ότι έχει αναδειχθεί σε σημαντικό και αξιόπιστο αρωγό στην εξέλιξη της ερευνητικής μας δραστηριότητας.

Πώς μπορεί να αξιοποιηθεί η τεχνητή νοημοσύνη σε αυτή την προσπάθεια; Ποια καινοτόμα προγράμματα εισάγονται με σκοπό να εκτιμηθεί ο κίνδυνος δασικής πυρκαγιάς; Μιλήστε μας για αυτά.

Το Εθνικό Αστεροσκοπείο Αθηνών, μέσω της ερευνητικής ομάδας Orion Lab, συντονίζει δύο μεγάλα ερευνητικά Ευρωπαϊκά Προγράμματα, το DeepCube και το SeasFire, ενώ συμμετέχει σε ένα ακόμα σχετικό ερευνητικό Ευρωπαϊκό Πρόγραμμα, το TREEADS. Και στα 3 αυτά έργα ερευνούμε μεθόδους αξιοποίησης της δορυφορικής Παρατήρηση της Γης, σε συνδυασμό με την τεχνητή νοημοσύνη, για να εκτιμήσουμε το κίνδυνο δασικής πυρκαγιάς.

Πρώτον, από τον Ιανουάριο του 2021 στο πλαίσιο του έργου DeepCube που χρηματοδοτείται από την Ευρωπαϊκή Κοινότητα έχουμε αναπτύξει σε συνεργασία με το Πυροσβεστικό Σώμα, μια πρότυπη υπηρεσία πρόβλεψης κινδύνου δασικών πυρκαγιών για την επόμενη ημέρα, σε χωρική ανάλυση 1x1 χλμ.

Η υπηρεσία ξεκίνησε δοκιμαστικά πέρσι το καλοκαίρι στη διάρκεια του οποίου ελέγχθηκε και η ακρίβεια της μεθόδου, ενώ φέτος σε καθημερινή βάση παραδίδουμε στο Πυροσβεστικό Σώμα δύο χάρτες πρόβλεψης, έναν το απόγευμα και έναν νωρίς το πρωί της επόμενης ημέρας.

Πρέπει να πούμε ότι το επιστημονικό πρόβλημα της πρόβλεψης του κινδύνου για δασικές πυρκαγιές είναι αρκετά σύνθετο και πολυδιάστατο, καθώς είναι μια σειρά από κλιματολογικές, ανθρωπογενείς, τοπογραφικές και δασικές παράμετροι που που αλληλεπιδρούν μεταξύ τους με σχεδόν απρόβλεπτο τρόπο, αυξάνοντας ή μειώνοντας τον κίνδυνο. Μια αλληλεπίδραση που ακόμα δεν έχουμε καταφέρει να την μοντελοποιήσουμε επαρκώς με φυσικά μοντέλα και εξισώσεις.

Ποια είναι λοιπόν η προσέγγισή μας για να εκτιμήσουμε τον κίνδυνο έναυσης και εξάπλωσης μιας πυρκαγιάς; Είναι να αφήσουμε ένα σύστημα τεχνητής νοημοσύνης να μάθει από μόνο του αυτές τις σύνθετες αλληλεπιδράσεις, χρησιμοποιώντας ιστορικά δεδομένα Παρατήρησης Γης;

Στην ουσία, εκμεταλλευόμαστε τις πολύ πλούσιες πληροφορίες για το τι έχει συμβεί στο παρελθόν.

Από τη μια ξέρουμε ακριβώς τι κάηκε τα τελευταία 15 χρόνια, πότε ξεκίνησε η κάθε πυρκαγιά και πότε κατασβέστηκε. Από την άλλη, γνωρίζουμε ποιες ήταν οι συνθήκες που επικρατούσαν όταν είχαμε αυτές τις ιστορικές πυρκαγιές, τις μετεωρολογικές συνθήκες (θερμοκρασία, ταχύτητα του ανέμου, βροχόπτωση, σχετική υγρασία, κτλ.), την ευφλεξιμότητα της βλάστησης όπως αυτή υπολογίζεται από δορυφορικά δεδομένα, τις εδαφικές συνθήκες, όπως είναι η υγρασία του εδάφους, το υψόμετρο, η κλίση, και ο προσανατολισμός των πρανών, και άλλους παράγοντες που σχετίζονται με το τοπίο και την ανθρώπινη δραστηριότητα.

Στη συνέχεια χρησιμοποιούμε τη βαθιά μηχανική μάθηση για να εκπαιδεύσουμε με τα ιστορικά στοιχεία αυτά ένα μοντέλο τεχνητής νοημοσύνης που κωδικοποιεί τη σύνθετη και μη-γραμμική αλληλεπίδραση όλων αυτών των μεταβλητών, για να εκτιμήσουμε τον κίνδυνο πυρκαγιάς.

Δεύτερον, στο πλαίσιο του έργου TREEΑDS, προχωράμε ένα βήμα παραπέρα. Στο DeepCube καταλήγουμε σε ένα βαθύ νευρωνικό δίκτυο, στο οποίο ότι είσοδο και να του δώσουμε, θα μας δώσει μια πρόβλεψη για τον κίνδυνο. Αυτό που δε μας λέει το μοντέλο είναι πόσο σίγουρο είναι για τις προβλέψεις που κάνει. Αυτό είναι ένα εγγενές πρόβλημα στα μεγάλα ντετερμινιστικά μοντέλα τεχνητής νοημοσύνης, τα οποία δεν είναι σε θέση να «ξέρουν τι δεν ξέρουν».

Για παράδειγμα, αν υποθέσουμε ότι υπάρχει έντονη νεφοκάλυψη, η οποία εμποδίζει τη δορυφορική μέτρηση της επιφανειακής θερμοκρασίας τους εδάφους, το μοντέλο και πάλι θα μπορέσει να δώσει με σιγουριά μια πρόβλεψη, χωρίς να μπορεί να εκφράσει μια επισφάλεια καθώς λείπει μια σημαντική παράμετρος, αυτή της επιφανειακής θερμοκρασίας τους εδάφους.

Στο TREEΑDS το αντιμετωπίζουμε αυτό αξιοποιώντας Μπαεϋσιανά (πιθανοτικά) μοντέλα τεχνητής νοημοσύνης με τα οποία μαζί με την εκτίμηση κινδύνου, γίνεται και μια εκτίμηση της αβεβαιότητας για κάθε πρόβλεψη. Αυτή η αβεβαιότητα μπορεί να οφείλεται στα δεδομένα εισόδου ή και στην προγνωστική ικανότητα του ίδιου του μοντέλου.

Η εκτίμηση της αβεβαιότητας είναι ιδιαίτερα σημαντική στη λήψη αποφάσεων, στο επίπεδο του Κέντρου Επιχειρήσεων του Πυροσβεστικού Σώματος.

Τι είναι το πρόγραμμα «SeasFire»; Πόσο αξιόπιστο είναι για την πρόληψη της φωτιάς;

Το SeasFire είναι το τρίτο έργο για το οποίο θα ήθελα να σας μιλήσω. Το έργο ξεκίνησε τον Μάρτιο του 2022 και χρηματοδοτείται από τον Ευρωπαϊκό Οργανισμό Διαστήματος (European Space Agency). Η ιδέα αφορά στην αξιοποίηση της τεχνητής νοημοσύνης για να προβλέψουμε τη συχνότητα και την ένταση των δασικών πυρκαγιών, παγκόσμια σε μέσο- και μακρο-πρόθεσμο ορίζοντα, και ήρθε σα συνέχεια της επιτυχίας που γνώρισε το DeepCube.

Όταν αναφερόμαστε σε τέτοιες χωρο-χρονικές κλίμακες, και θέλουμε να προβλέψουμε τι θα συμβεί σε 1, 2, ή και 3 μήνες από σήμερα, πρέπει να λάβουμε υπόψιν τις φυσικές διεργασίες που λαμβάνουν χώρα σε άλλα μέρη στη Γη, παλιότερα.

Αυτή είναι και η βασική καινοτομία του SeasFire: προσεγγίζουμε τη Γη σαν ένα ενιαίο διασυνδεδεμένο σύστημα, προσπαθώντας να ανακαλύψουμε τις λεγόμενες τηλεσυνδέσεις, δηλαδή τις αιτιώδεις σχέσεις μεταξύ των ποικίλων περιβαλλοντικών μεταβλητών και των δασικών πυρκαγιών, που συμβαίνουν σε μεγάλη απόσταση μεταξύ τους τόσο στο χώρο όσο και στο χρόνο. Αυτό είναι γνωστό και ως φαινόμενο της πεταλούδας δηλαδή κάτι το οποίο συνέβη κάποια στιγμή παλαιότερα, σε κάποιο άλλο μέρος του πλανήτη, μπορεί να επηρεάσει τι θα γίνει εδώ και τώρα σε μια άλλη περιοχή.

Βιβλιογραφικά έχουν αναφερθεί τέτοιες τηλεσυνδέσεις, όπως για παράδειγμα οι μεταβολές της επιφανειακής θερμοκρασίας στον Ατλαντικό ωκεανό επηρεάζουν τη συχνότητα εμφάνισης πυρκαγιών στην Αφρική.

Για να σας δώσω ένα χαρακτηριστικό παράδειγμα από μια αλληλουχία γεγονότων που γίνεται σε διαφορετικές κλίμακες στο χώρο και στον χρόνο: Υπάρχει η Αρκτική Ταλάντωση ένα γνωστό φαινόμενο που συνεισφέρει στη μεταβλητότητα του κλίματος και η οποία έχει να κάνει με την μεταβολή της επιφανειακής ατμοσφαιρικής πίεσης στην Αρκτική και σε μεγάλα γεωγραφικά πλάτη στον Β. Ειρηνικό και Β. Ατλαντικό Ωκεανό. Όταν η Αρκτική Ταλάντωση είναι θετική το χειμώνα, εγκλωβίζεται ο ψυχρός αέρας στον Β. Πόλο.

Αυτό έχει σαν αποτέλεσμα να παρατηρούνται υψηλότερες από το αναμενόμενο θερμοκρασίες σε περιοχές όπως είναι η νοτιο-ανατολική Σιβηρία, με συνέπεια την πρόωρη τήξη του χιονιού και την πρώιμη έκθεση της επιφάνειας τους εδάφους στην ηλιακή ακτινοβολία. Η παρατεταμένη έκθεση στην ηλιακή ακτινοβολία οδηγεί σε εξάτμιση της υγρασίας της βλάστησης και σε ξηρότερο έδαφος. Συνεπώς έτσι δημιουργούνται οι συνθήκες το καλοκαίρι για πιο εύκολη και γρήγορη εξάπλωση των δασικών πυρκαγιών στη νοτιο-ανατολική Σιβηρία.

Στο SeasFire στοχεύσαμε σε εκτίμηση κινδύνου πυρκαγιάς για όλο τον κόσμο και σε εύρος πρόβλεψης έως 2 μήνες μετά. Μία βασική παραδοχή που κάνουμε είναι ότι τα καιρικά μοτίβα τις υγρές περιόδους θα επηρεάσουν είτε θετικά είτε αρνητικά την ξηρασία στις ξηρές περιόδους, και κατά συνέπεια την εμφάνιση των δασικών πυρκαγιών. Αυτά τα καιρικά μοτίβα ενεργοποιούνται σε συγκεκριμένες περιοχές του πλανήτη και επηρεάζουν άλλες περιοχές έως εκατοντάδες χιλιόμετρα μακριά, όπως για παράδειγμα είναι το El Niño. Με βάση τα παγκόσμια ιστορικά μετεωρολογικά και δορυφορικά δεδομένα και τα αρχεία καμένων εκτάσεων για πάνω από 20 χρόνια, εκπαιδεύσαμε νέα μοντέλα τεχνητής νοημοσύνης που έχουν μια μοναδική προγνωστική ικανότητα τουλάχιστον στον προσδιορισμό της χωρικής κατανομής των αναμενόμενων μεγάλων γεγονότων πυρκαγιάς, παγκόσμια.

Με βάση αυτά τα μοντέλα αναπτύξαμε και ένα πιλοτικό σύστημα εποχιακής πρόβλεψης μεγάλων γεγονότων πυρκαγιάς, ένα σύστημα που βρίσκεται υπό αξιολόγηση ως προς την ακρίβεια των προβλέψεων.

Το Μάιο που μας πέρασε ο Ευρωπαϊκός Οργανισμός Διαστήματος αποφάσισε αν επεκτείνει τη χρηματοδότηση του SeasFire. Αυτό μας δίνει τη δυνατότητα να συνεχίσουμε απρόσκοπτα την ερευνητική μας δράση σε αυτό το πεδίο που θεωρούμε ότι έχει σημαντικό κοινωνικό αντίκτυπο, και μας κάνει να αισθανόμαστε τυχεροί που εργαζόμαστε σε επιστημονικά δύσκολα προβλήματα, αλλά η λύση τους μπορεί να φανεί χρήσιμη άμεσα και ευρύτερα στην κοινωνία.