Yapay Zeka Destekli Orman Yangını Tahmini: FireCNN

Aalto University'den araştırmacılar, orman yangınlarını önlemenin en iyi yolunu tahmin edebilen bir yapay zeka modeli geliştirdi. Araştırmacıların umudu, FireCNN'nin bundan sonra bu yaz şiddetli yangınların yaşandığı Akdeniz gibi farklı bir yangın bölgesinde test edilebilmesi.

Aalto University ekibinin yapay zeka modeli orman yangınlarının nasıl önlenebileceğini tahmin edebiliyor. Convolutional Neural Network (CNN) kullanımından sonra FireCNN olarak adlandırılan model, Endonezya’nın Borneo’daki Orta Kalimantan eyaletinin turbalık alanlarındaki iklim ve tarihi yangınlar hakkındaki verilere dayanıyor.

Dört yıllık projenin arkasındaki ekip, bu modelin orman yangınlarının yüzde 76’sının önlenmesine yardımcı olmak için kullanılabileceğini iddia ediyor. Makine öğrenimi, FireCNN’in farklı müdahalelerin gelecekteki orman yangınlarını önlemede veya azaltmada ne kadar etkili olabileceği konusunda karmaşık tahminler yapmasını sağlıyor. Dolayısıyla yerel politika yapıcılar, iklim değişikliğinin bir sonucu olarak dünya genelinde sıklığı ve şiddeti artan yangınların etkisini azaltmaya yönelik daha iyi stratejiler oluşturmak için bu modeli kullanabilir.

Aalto University’den Matti Kummu, yaptığı açıklamada “Girdilerdeki orman yönetimi uygulamalarına ilişkin bazı parametreleri değiştirebildik. Ardından senaryoyu çalıştırdık ve gözlemlenen ile simüle edilen orman yangınları arasında gerçekten iyi bir eşleşme elde ettik. Bu nedenle, belirtilen stratejilerin orman yangınlarını azaltmada önemli bir etkiye sahip olacağını göstermeyi başardık,” dedi.

“Son iki ya da üç yılda gerçekten çok büyük yangınlar yaşandı, bu nedenle gelecekte bu felaketlere nasıl uyum sağlayabileceğimizi ve bunları nasıl azaltabileceğimizi gerçekten anlamaya yönelik büyük bir ilgi var.”

Araştırma ekibi, Orta Kalimantan’da yangın riskini azaltmaya yönelik farklı stratejilerin etkisini değerlendirmek için FireCNN’i kullanarak, yangın sayısını yüzde 50 ila 76 oranında azaltacak müdahaleler belirledi. Orta Kalimantan, Güneydoğu Asya’daki en yüksek yoğunluklu turbalık yangınlarına sahip. Tarım ve konut inşasını desteklemek için arazinin kurutulmasıyla daha da kötüleşmiş durumda.

Araştırma Borneo’daki yangına eğilimli turbalık bir bölgeyi temel alıyor. Fotoğraf NASA tarafından çekildi.

Şimdiye kadar, riskleri azaltmada en etkili olacak müdahaleleri belirlemek mümkün olmadı. FireCNN tarafından farklı arazi yönetim stratejilerinin etkisi üzerine yapılan testler, çalılık ve fundalık alanların bataklık ormanlarına dönüştürülmesinin en büyük etkiye sahip olacağını ortaya koydu.

Simülasyonlar, drenaj kanallarının kapatılmasının da etkili olacağını, ancak bunun yerel ekonomiye bir maliyeti olacağını ortaya koydu. Plantasyonların sayısının artırılması da yangın sayısını azaltacak, ancak önemli bir çevresel etkiye sahip olacak.

Model, orman yangınlarının nerede meydana geldiğini en iyi açıklayan faktörlerin belirlenmesine yardımcı olsa da Kummu, modelin bir erken uyarı sistemi olarak kullanılmak üzere bir sonraki saldırının ne zaman ve nerede olacağını tahmin etmede henüz yeterince iyi olmadığını söyledi.

Bir sezonda tahmin ettiği yangınların yüzde doksan beşi meydana geldi, ancak diğerlerini de kaçırdı. Araştırmacılar bunun yerine, son derece hassas bölgelerdeki orman yangınlarının sayısını ve boyutunu azaltmaya yardımcı olabileceğini söylüyor.

Araştırmacılar FireCNN’in Akdeniz gibi diğer bölgelerdeki yangınların önlenmesine yardımcı olmak için kullanılabileceğini umuyor. Fotoğraf Michael Held tarafından çekildi.

Kummu’nun umudu, FireCNN’nin bundan sonra bu yaz şiddetli yangınların yaşandığı Akdeniz gibi farklı bir yangın bölgesinde test edilebilmesi.

“Modeli farklı alanlarda ne kadar iyi eğitebileceğimizi görmek ilginç olacaktır. Borneo’da daha yüksek yangın oluşumunu açıklayan temel parametreleri bulduk, ancak bu Akdeniz’de tamamen farklı olabilir.”

Kummu, yalnızca yapay zekanın (AI) orman yangınlarını tahmin etmek kadar karmaşık bir şey için kullanılabilecek kadar iyi tahminler yapabildiğini söylüyor.

FireCNN, 2002 ile 2019 yılları arasında kaydedilen verilerden öğrendiklerine dayanarak arazi örtüsü, bitki örtüsü ve kuraklık gibi faktörlere ilişkin 31 değişkeni analiz ediyor.

Kummu, “Modellediğimiz bazı şeyler o kadar karmaşık ki, tüm bağlantıları ve bunun denklemi nasıl etkilediğini anlamaya çalışmak için normal bir matematiksel model oluşturamadık,” dedi.

“Bu anlamda yapay zeka ve makine öğrenimi algoritmaları yaptığımız iş için mükemmel, çünkü her şeyi etkileyen çok fazla sorun var ve kimse tüm mekanizmaları gerçekten bilmiyor.”