Veel landen rond de Middellandse Zee vechten elk jaar tegen verwoestende en zelfs dodelijke branden. In augustus 2023 verloor Griekenland bijvoorbeeld een groot deel van haar inheemse bossen door de enorm schadelijke Dadia-bosbranden. Hoe beschermen we bewoners, natuur, en infrastructuur? Konstantinos Karalidis, afgekort Kostas, onderzocht in zijn MSc-scriptie aan de faculteit Bouwkunde het genereren van verbeterde branddetectie- en voorspellingsmodellen met behulp van AI. "Dit is iets wat nu gedaan kan worden, geen utopisch toekomstbeeld."
Bij Kostas staat de zomer van 2018 in het geheugen gegrift. Dat jaar werd Griekenland geteisterd door uit de hand gelopen bosbranden. In de regio Attica werden meer dan 1500 huizen verwoest of beschadigd. En de brand rond Mati werd de dodelijkste ramp sinds de Tweede Wereldoorlog. Kostas: "Hoe kon dit gebeuren in deze welvarende tijden?" Bij het kiezen van zijn afstudeerproject besloot deze Griekse student zijn programmeervaardigheden in te zetten voor een mogelijk hulpmiddel tegen dit soort bosbranden. "Deep Learning en AI is nu overal. De doorbraken in de afgelopen jaren zijn enorm." Kostas is ervan overtuigd dat we nu moeten investeren om de immense potentie van deze technologie waar te maken.
Brand bespeuren en voorspellen op basis van satellietfoto's
Voor het eerste deel van zijn project gebruikte Kostas Open-Source satellietbeelden (sentinel-2) van gebieden waar bosbranden veel voorkomen. In eerste instantie labelde hij een selectie aan foto’s handmatig als brand of niet-brand. Een AI gebruikte deze gelabelde dataset om zijn model te trainen door iteratieve scheiding van de twee soorten. Met behulp van deze AI was een relatief klein aantal foto’s voldoende. Het resulterende model bereikte een nauwkeurigheid van meer dan 90% bij het indelen van nieuwe foto’s als brand of niet-brand. Kostas toonde vervolgens aan dat zijn model branden kon detecteren in hele secties van de satellietbeelden, een essentiële eigenschap als het gaat om zijn model toepassen voor branddetectie.
Het tweede deel van Kostas' project gebruikte dezelfde dataset om het verloop van bosbranden te simuleren. Waarom alleen maar een detectie-algoritme bouwen, als je programma misschien de toekomst kan voorspellen? De beelden werd omgezet naar cellulaire automata, oftewel opgedeeld in ‘pixels’ met een rits aan bijbehorende informatie zoals hoogte, helling, windsnelheid, etcetera. Het model gebruikt al deze waarden en voert ze aan algoritmes met buurt- en overgangsregels om de veranderende situatie in de loop van de tijd te simuleren. In het geval van een bosbrand voorspelt dit proces de verspreiding van het vuur. Het resultaat? De voorspelling van het gebied dat zou afbranden kwam voor 62% overeen met de echte brand.
Digitale modellen verbeteren om fysieke levens te redden
Gezien de beperkingen (gebrek aan informatie over windrichting, windsnelheid, en menselijke interventie) is 62% eigenlijk heel succesvol. Een groot gebrek van huidige modellen is dat veel factoren zoals windsnelheid en temperatuur in de loop van de tijd veranderen. "Met AI kun je betere voorspellingen maken van deze veranderende variabelen, vooral de wind." Kostas schat dat zijn model nog beter zou kunnen voorspellen dan het huidige record van 90% nauwkeurigheid als hij toegang krijgt tot betere software, completere datasets, en krachtigere AI. Er zijn nog meer voordelen aan het gebruik van AI. "Brandweerlieden en beleidsmakers kunnen dan geplande interventies in het model invoeren en voorspellingen krijgen van het effect. En AI-modellen zouden ook beter in staat zijn om de voorspellingen te visualiseren."
Beelden van sentinel-2 worden slechts eens in de zes dagen bijgewerkt, maar er zijn bedrijven met satellietgegevens die elke dertig minuten worden bijgewerkt en een veel hogere resolutie hebben. Kostas ziet een toekomst waarin deze supernauwkeurige gegevens worden ingezet om risicogebieden tijdens de zomermaanden in de gaten te houden, zodat er snel kan worden gereageerd op beginnende branden. Zo kunnen we deze branden binnen enkele uren blussen of het gebied evacueren. Kostas, hoe moet de toekomst van dit project er uitzien? Het antwoord is zowel complex als eenvoudig. Complex omdat "ik een geautomatiseerd systeem wil dat branden detecteert in alle risicogebieden in het Middellandse Zeegebied. Satellietbeelden worden geanalyseerd, voorspellingen worden gegenereerd en een snelle reactie wordt in gang gezet." Maar ook eenvoudig, want uiteindelijk "wil ik dat deze modellen levens redden."
Meer informatie
Konstantinos Karalidis is afgestudeerd bij de masteropleiding Geographical Information Management and Applications (GIMA) en werd begeleid door prof.dr.ir. P.J.M. van Oosterom en dr. Azarakhsh Rafiee.
