שימוש בבינה מלאכותית למניעת שריפות

מיפוי האזורים המועדים לסכנת שריפות חשוב הן למניעת שריפות והן לכיבוין לאחר שהן פורצות.

רוב המפות לחיזוי שריפות מיוצרות באמצעות שימוש בנתונים סטטיים של משתנים כמו טופוגרפיה, צפיפות צמחייה ולחות. לעתים קרובות דולים את האינפורמציה הזאת מלוויינים. אולם, דינמיקות צומח ארוכות טווח והיובש המצטבר בצמחייה מעוצה, שהם גורמים העשויים להשפיע על התלקחות ועל התפשטות אש, נכללים רק לעתים נדירות במפות של אזורי סיכון לשריפות.

במעבדה של פרופ' איתמר לנסקי מהמחלקה לגאוגרפיה וסביבה, חוקרים את השפעתם של שני מדדים, שהאינפורמציה לגביהם נשאבת מהלוויין והם מציגים דינמיקות ארוכות טווח של הצומח, על מפות סיכון שריפות. מדד אחד מבטא את צפיפות הצומח המעוצה בתא שטח והמדד השני מבטא את מגמת היובש בצומח המעוצה בטווח של חמש שנים.

החוקרים בחנו האם שני המדדים משפרים את איכות מפת סיכוני השריפות באמצעות שלושה אלגוריתמים של למידת מכונה (Logistic Regression, Random Forest, XGBoost) והשתמשו בשריפות היער שאירעו ביוון ב-2007 לביצוע הניתוח. התוצאות מראות כי אלגוריתם XGBoost, שמטפל באינטראקציות בין משתנים ואפקטים לא-ליניאריים, היה מודל למידת המכונה שהניב את התוצאות הטובות ביותר.

מדד צפיפות הצומח המעוצה שיפר את ביצועי המודל בעוד שהאפקט של יובש ארוך טווח בעל משמעות רק במקומות שבהם יש צמחייה מעוצה צפופה. השיטה המוצעת עשויה לייצר מפות סיכוני שריפות מדויקות יותר בהשוואה לשיטות המיפוי הקונבנציונליות ולספק אינפורמציה חשובה על דינמיקת הצומח שתשמש למודלים של חיזוי התנהגות שריפות יער.

במחקר השתתפו ירון מיכאל, ד״ר דוד הלמן, ד״ר אורן גליקמן, דוד גבאי, פרופ׳ שלמה (סטיב) ברנר ופרופ׳ איתמר לנסקי.