theusaramy / Flickr
![](https://zap.aeiou.pt/wp-content/uploads/2014/05/8ab1708925999330d0fb9d4a50ab8e0b-783x450.jpg)
Investigadores da USC Viterbi School of Engineering desenvolveram um novo método para prever com precisão a propagação de incêndios florestais. Ao combinar imagens de satélite e Inteligência Artificial, o novo modelo é um avanço na gestão de incêndios florestais e resposta a emergências.
O novo modelo desenvolvido pelos investigadores da USC Viterbi School of Engineering usa dados de satélite para rastrear a progressão de um incêndio florestal em tempo real e alimenta essas informações num algoritmo sofisticado capaz de prever com precisão o provável caminho, intensidade e taxa de crescimento do fogo.
“Este modelo representa um passo importante na nossa capacidade de combater incêndios florestais”, destacou Bryan Shaddy, estudante de doutoramento no Departamento de Engenharia Aeroespacial e Mecânica, em comunicado da USC.
“Ao oferecer dados mais precisos e oportunos, a nossa ferramenta fortalece os esforços dos bombeiros e das equipas de evacuação que combatem incêndios florestais na linha da frente”, acrescentou ainda.
Os investigadores começaram a recolher dados históricos de incêndios florestais a partir de imagens de satélite de alta resolução. Ao estudar cuidadosamente o comportamento de incêndios passados, conseguiram rastrear como cada incêndio começou, se espalhou e acabou por ser apagado.
Esta análise revelou padrões influenciados por diferentes fatores, como o clima, combustível e terreno.
O passo seguinte foi treinar um modelo de computador alimentado por Inteligência Artificial (IA) generativa conhecido como Rede Adversarial Generativa de Wasserstein, ou cWGAN, essencial para simular de que forma estes fatores influenciam a evolução dos incêndios ao longo do tempo.
A equipa ensinou o modelo a reconhecer padrões nas imagens de satélite e testaram-no em incêndios florestais que ocorreram na Califórnia entre 2020 e 2022.
Os cientistas ficaram impressionados com os resultados. O modelo cWGAN, inicialmente treinado com dados simulados simples em condições ideais, como terreno plano e vento unidirecional, teve um bom desempenho nos testes.
O artigo científico foi publicado, este mês, na Artificial Intelligence for the Earth Systems.