AI‑камеры помогли обнаружить Diamond Fire в Аризоне и ускоряют поиск пожаров на западе США

В марте одна из камер с искусственным интеллектом, установленная в Коконтино‑национальном лесу в Аризоне, зафиксировала нечто, похожее на дым. Человеческие аналитики проверили кадры, исключили облака и пыль, после чего оповестили государственную лесную службу и крупнейшего электропоставщика штата, Arizona Public Service. Благодаря быстрой реакции пожарных возгорание, получившее название Diamond Fire, удалось локализовать до того, как оно превысило 7 акров (2,8 га).

Рост числа и интенсивности пожаров на фоне рекордной жары и крайне бедного снежного покрова подтолкнул власти и коммунальные компании к активному использованию алгоритмов для раннего обнаружения очагов. Технология от компании Pano AI, например, по данным за прошлый год выявила 725 пожаров в США. В апреле подрядчики также проводили инспекцию камер Pano AI в Орора (Колорадо) — фотография этой проверки датируется 20 апреля 2026 года.

Arizona Public Service использует почти 40 активных камер для обнаружения дыма и планирует довести их число до 71 к концу лета; кроме того, государственная пожарная служба Аризоны развернула семь собственных камер. «Раннее обнаружение означает, что мы можем поднять в воздух авиацию и направить персонал туда, где это нужно, и держать пожары как можно меньшими», — заявил Джон Трутт, офицер по управлению пожарами в Департаменте лесного и противопожарного хозяйства Аризоны. Другой крупный поставщик электроэнергии, Xcel Energy в Колорадо, уже установил 126 таких камер и планирует охватить ими семь из восьми штатов своего присутствия до конца года. Оба примера демонстрируют тенденцию: коммунальные компании видят в AI‑камерах инструмент для оперативного реагирования и снижения ущерба.

В Калифорнии действует сеть ALERTCalifornia — примерно 1 240 камер с поддержкой AI, работающих по схожему принципу. По словам Нила Дрисколла, профессора геологии и геофизики Университета Калифорнии в Сан‑Диего и основателя ALERTCalifornia, человеческая проверка сигналов одновременно удерживает риск ложных срабатываний на низком уровне и «обучает» систему становиться точнее со временем.