‏🟠 ۲/۴

‏📌 چکیده

پروژه «تشخیص تهدید آتش‌سوزی برای زیرساخت‌های حمل‌ونقل» با ترکیب تصاویر ماهواره‌ای، داده‌های CAL FIRE و سرشماری ایالات متحده، ریسک آتش‌سوزی را به‌صورت پیکسل‑به‑پیکسل برای جاده‌ها و راه‌آهن‌ها نقشه‌برداری می‌کند و به‌صورت منبع باز و با نیاز به داده‌های کم، به‌سرعت قابل استفاده در مناطق با داده‌های محدود است. تیم CNA با همکاری تخصصی در GIS و مدیریت بحران، این مدل را توسعه داده و در مسابقه‌ای مقام دوم را کسب کرد. نوآوری در CNA به‌صورت تعاملی و مبتنی بر همکاری داخلی است؛ هر کارمند می‌تواند ایده‌ای را پیشنهاد و با تأمین مالی داخلی به پروژه تبدیل کند، که برخی بعدها به‌کارهای مشتری تبدیل می‌شوند. برای به‌روز ماندن، کارمند با پادکست‌ها، ایمیل‌های داخلی و جلسات اطلاعاتی در بخش‌های مختلف CNA از روندهای نوظهور آگاهی می‌یابد و با انتقال دانش بین حوزه‌های مختلف، راه‌حل‌های نوین ارائه می‌دهد.

CNA به‌طور مستمر در پروژه‌های پژوهشی نوآورانه و مستقل سرمایه‌گذاری می‌کند تا ابزارها و روش‌های جدیدی برای مقابله با چالش‌های نوظهور امنیت ملی و ایمنی عمومی ارائه دهد. این پروژه‌ها در «انکوباتور نوآوری CNA» (CNAi2) به نمایش گذاشته می‌شوند. از بررسی یادگیری ماشین برای ایمنی عمومی تا ایجاد آزمایشگاه طراحی نیروی دریایی، خلاق‌ترین ذهن‌های CNA به‌طور پیوسته در جستجوی راهکارهای نوین برای کمک به دولت در حل سخت‌ترین مشکلات کشور مشغولند. در سری «آشنایی با نوآور» ما با تحلیل‌گرانی که پشت پروژه‌های CNAi2 هستند مصاحبه می‌کنیم و درباره کارشان و فرایند نوآوری‌شان می‌پرسیم.

س: می‌توانید درباره پروژه «تشخیص تهدید آتش‌سوزی برای زیرساخت‌های حمل‌ونقل» بگویید و بگویید چه جنبه‌ای آن را نوآورانه می‌کند؟

وایت‌هیر‑کونده: این پروژه به یک خلا اساسی در ارزیابی خطر آتش‌سوزی می‌پردازد. در کالیفرنیا مناطق خطر آتش‌سوزی وجود دارد که ریسک را در سرتاسر ایالت نقشه‌برداری می‌کند، اما ما می‌خواستیم این ریسک را به‌طور خاص در زیرساخت‌های حمل‌ونقل — جاده‌ها و راه‌آهن‌ها — درک کنیم. زیرساخت‌های حمل‌ونقل برای خدمات اضطراری، تخلیه مردم هنگام وقوع آتش‌سوزی و بازسازی پس از آن حیاتی‌اند. این داده‌ها تا به حال به این شکل ترکیب نشده بود.

مدل ما برای شناسایی و ترسیم نواحی تحت تأثیر آتش‌سوزی از تصاویر ماهواره‌ای طراحی شده است. این مدل از پلتفرم I‑GUIDE برای داده‌های جغرافیایی استفاده می‌کند و با تصاویر کالیفرنیا که همراه با مجموعه داده‌های CAL FIRE و فایل‌های سرشماری ایالات متحده (US Census) شامل جاده‌ها و راه‌آهن‌های اصلی ترکیب شده‌اند، آموزش دیده است. پس از آموزش، مدل می‌تواند تصاویر جدید را تجزیه و تحلیل کند و سطوح خطر آتش‌سوزی را در مقیاس پیکسل پیش‌بینی کند؛ به‌طوری که بخش‌های جاده‌ای و ریلی که ممکن است در معرض خطر باشند شناسایی شوند.

نوآوری روش ما در این است که می‌خواستیم آن را منبع باز، علم باز و به‌راحتی در دسترس دیگران قرار دهیم. به‌طور خاص آن را طوری طراحی کردیم که با مجموعه داده‌های کوچک کار کند و به‌سرعت آموزش ببیند؛ زیرا در یادگیری ماشین، به‌ویژه یادگیری عمیق، معمولاً زمان آموزش طولانی و داده‌های فراوانی لازم است. در برخی مناطق، به‌ویژه خارج از کالیفرنیا، این داده‌ها ممکن است موجود نباشد؛ یا به‌دلیل کمبود آتش‌سوزی‌های تاریخی یا نداشتن توانایی برای اجرای پروژه بزرگ نقشه‌برداری مناطق خطر. راه‌حل ما می‌تواند به‌سرعت در این مناطق به‌کار گرفته شود.

س: تیم شما با این کار مقام دوم را در یک مسابقه به‌دست آورد. بیش از همه چه چیزی برایتان جذاب بود؟