Wpływ zmian klimatu na liczbę pożarów w przyrodzie (wildfires) jest ciekawy. Globalnie spada liczba pożarów. Jednak świat pali się w bardzo nierówny sposób. Afryka pali się najczęściej, ale tam akurat w ostatnich dekadach liczba pożarów spada. Natomiast liczba pożarów rośnie na Zachodnim Wybrzeżu USA, w rejonie Morza Śródziemnego w Europie i w Australii. Jednocześnie w Europie 40% pożarów w zdarza się w obszarach cennych przyrodniczo (Natura 2000) i ma to prawdopodobnie związek z tym, że w takich miejscach ogień dostrzegany jest najpóźniej a reakcja zajmuje najwięcej czasu. Coraz częściej algorytmy używane są do wykrywania i gaszenia pożarów, bo dzięki ich stosowaniu można reagować szybciej. Poniżej przykłady.

Niemiecka firma Dryad proponuje sieć czujników dymu i gazu, przypinanych do drzew i ustawianych w lasach. Czujniki są zasilane energią słoneczną oraz mogą pracować w cieniu drzew a jednocześnie są nadajnikami sygnału radiowego i same tworzą sieć na wypadek braku sygnału sieci komórkowej. Informacje z czujników przesyłane są do sieci neuronowej, która analizuje trend i na tej podstawie informuje o zagrożeniu pożarowym. Uzupełnieniem sieci czujników są też drony wyposażone w kamery. Firma chce wykrywać pożary w zaledwie 60 minut od momentu zaistnienia ognia.

Amerykańska firma Pano AI instaluje sieć kamer na kominach czy masztach telefonii komórkowej albo na leśnych wieżach przeciwpożarowych. Sygnał z kamer jest przekazywany do sieci neuronowej, która jest wytrenowana w rozpoznawaniu dymu. To zadanie do tej pory spoczywało na ludziach, ale ludzka uwaga jest bardzo nierówna a warunki atmosferyczne niekiedy bardzo utrudniają ludziom dostrzeżenie dymu. Sieć neuronowa ma stały poziom uwagi i jest bardziej spostrzegawcza niż ludzie, twierdzi PANO AI.

Kamera obserwacyjna może też być umieszczona wyżej niż na szczycie góry. Może być w kosmosie i właśnie satelitarne wykrywanie pożarów proponuje inna firma Descartes Labs. Wykrywanie ognia jest w tym przypadku po prostu kolejnym zadaniem dla sieci neuronowej, analizującej obrazy z kamer 16-17 satelitów. Twierdzą, że wykryli już 4700 pożarów.

Również satelitarną sieć do wykrywania pożarów proponuje niemiecki start-up OroraTech. Satelitarne dane pozwalają zintegrować prognozy pogody (kierunki wiatru), dane o wilgotności wegetacji, miejsca uderzeń piorunów oraz obrazy z kamer. To wszystko przetworzone w odpowiednich modelach może wspomóc np straże pożarne alarmując o potrzebie większej gotowości.

Kraje rejonu Morza Śródziemnego bardzo zainteresowane są technologiami wykrywania ognia/dymu dzięki obrazowaniom satelitarnym albo dzięki obrazom z kamer bardzo zainteresowane. Izrael i Grecja nawiązały już taką współpracę.

Uzupełnienie sieci kamer dronami, które mogą sprawdzić, czy faktycznie doszło do pożaru jest bardzo potrzebne. Choć niektóre sieci neuronowe osiągają ponad 90% skuteczność w rozpoznawaniu pożarów, to trafiłem również na informacje o niższej skuteczności, rzędu 70%-80%. Czy istnieją dane pozwalające porównać skuteczność ludzi zawodowo pracujących w centrach monitoringu pożarowego ze skutecznością sieci neuronowych? Pewnie nie, bo ta potrzeba pojawiła się niedawno a żadna instytucja nie zbiera danych, które o niej źle świadczą, jeśli nie musi tego robić.

W Kalifornii niebawem będą mieli takie dane. Zaczął się tam test tej technologii. Zainstalowali ponad 1000 kamer na szczytach wzniesień, dzięki czemu w najbliższych latach zebrane zostaną dane pokazujące skuteczność tej technologii. Na końcu to zawsze człowiek ostatecznie będzie oceniać zgłoszenie o pożarze, ale dzięki automatyzacji procesu prawdopodobne będzie mniejsze znużenie ludzi a rezultacie ponownie większa spostrzegawczość ludzka. Na to liczą osoby cytowane przez Washington Post. Na ekranie monitora wyskakuje powiadomienie wysłane przez algorytm i człowiek wtedy zaczyna się przyglądać wskazanemu dymowi.

Do stworzenia konwolucyjnej sieci neuronowej (CNN) rozpoznającej pożar na zdjęciu potrzeba zaskakująco mało informacji i tego rodzaju narzędzia będą coraz bardziej powszechne. Wystarcza kilkaset zdjęć i dostęp przez internet do takiej sieci (zdaje się, że wszystkie wielkie Big Techy sprzedają dostęp do takich sieci – tu dostęp do Microsoftu Azure) i powstaje firma, start-up, który może oferować produkty zdesperowanym samorządom albo nadleśnictwom. To oznacza, że instytucje kupujące tego rozwiązania techniczne muszą zatrudnić osoby umiejące ocenić daną technologię, czy jest godna zaufania. Takich firm i technologii będzie ich bowiem coraz więcej.

W wersji najtańszej i najmniej doskonałej teoretycznie już teraz podobny system może postawić każda osoba mająca telefon z dostępem do internetu oraz czata GPT-4 Vision (niedostępny jeszcze w Polsce) lub Bing czata. Wyobrażam sobie np telefon, który automatycznie robi zdjęcia co minutę albo co 10 minut w aplikacji AutoSnap. Potem trzeba napisać (z GPT-4?) appkę, która weźmie zdjęcie z telefonu i nasza appka będzie wysyłać to zdjęcie do GPT-4V/Binga z pytaniem, czy na zdjęciu jest dym/ogień. Sieć neuronowa miałaby np ocenić jednym słowem, czy widzi dym/ogień, czy nie. Jeśli widzi, wtedy telefon wysyła sms-a alarmowego. Od razu zapytałem chata GPT-4 o możliwość napisania tej appki. Zaproponował taką strukturę operacji tego rozwiązania- teraz trzeba wypełnić linijki kodem i teoretycznie mielibyśmy rozwiązanie:

import time
import requests
from twilio.rest import Client

# Initialize Twilio client
twilio_client = Client('your_twilio_account_sid', 'your_twilio_auth_token')

def send_image_to_bing(image_path):
    # Code to send image to Bing and receive analysis
    # ...
    return analysis

def send_sms_alert():
    message = twilio_client.messages.create(
        body="Fire detected at country house!",
        to="your_phone_number",
        from_="your_twilio_phone_number"
    )

while True:
    image_path = "path_to_your_image"  # Update this to get the latest image from AutoSnap
    analysis = send_image_to_bing(image_path)
    
    if analysis == "yes":
        send_sms_alert()
        break  # Exit the loop if fire is detected
    elif analysis == "no":
        time.sleep(300)  # Wait for 5 minutes before checking again
    else:
        # Resend the image or handle failure
        pass

Oczywiście nie wiem, jaka jest skuteczność Binga/czata GPT-4V (obrazkowego i niedostępnego jeszcze w Polsce) w rozpoznawaniu ognia lub dymu. Pewnie niedoskonała, ale sieć się będzie uczyć. Za rok, czy dwa spokojnie wyobrażam sobie appkę w abonamencie miesięcznym, która całą tę robotę wykona automatycznie. Do pilnowania szopy z narzędziami albo altany na działce, to może być wystarczające.

To, co? Ktoś z Państwa?