نموذج الذكاء الاصطناعي المستخدم لرسم خريطة لجفاف الغابات والتنبؤ بحرائق الغابات

يستفيد نموذج التعلم العميق الجديد الذي صممه باحثون من جامعة ستانفورد من مستويات الرطوبة في 12 ولاية مختلفة من أجل المساعدة في التنبؤ بحرائق الغابات ومساعدة فرق إدارة الحرائق على مواجهة حرائق الغابات التي قد تكون مدمرة.

تهدف فرق إدارة الحرائق إلى التنبؤ بمكان حدوث أسوأ الحرائق ، من أجل تنفيذ تدابير وقائية مثل الحروق الموصوفة. يتطلب التنبؤ بنقاط المنشأ وأنماط انتشار حرائق الغابات معلومات تتعلق بكميات الوقود ومستويات الرطوبة للمنطقة المستهدفة. يعد جمع هذه البيانات وتحليلها بالسرعة المطلوبة لتكون مفيدة لفرق إدارة حرائق الغابات أمرًا صعبًا ، ولكن نماذج التعلم العميق يمكن أن تساعد في أتمتة هذه العمليات الهامة.

كما ذكرت فيوتوريتي مؤخرا، قام باحثون من جامعة ستانفورد بجمع بيانات مناخية و صمم نموذجا تهدف إلى تقديم خرائط مفصلة لمستويات الرطوبة عبر 12 ولاية غربية ، بما في ذلك ولايات ساحل المحيط الهادئ وتكساس ووايومنغ ومونتانا والولايات الجنوبية الغربية. وفقًا للباحثين ، على الرغم من أن النموذج لا يزال قيد التحسين ، إلا أنه قادر بالفعل على الكشف عن المناطق المعرضة لخطر كبير لحرائق الغابات حيث تكون المناظر الطبيعية جافة بشكل غير عادي.

تتمثل الطريقة النموذجية لجمع البيانات المتعلقة بمستويات الوقود والرطوبة في منطقة مستهدفة في إجراء مقارنة شاقة للنباتات الجافة بالنباتات الأكثر رطوبة. على وجه التحديد ، يقوم الباحثون بجمع عينات من النباتات من الأشجار ووزنها. بعد ذلك ، يتم تجفيف عينات الغطاء النباتي وإعادة وزنها. يتم عمل مقارنات بين وزن العينات الجافة والعينات الرطبة لتحديد كمية الرطوبة في الغطاء النباتي. هذه العملية طويلة ومعقدة ولا تكون قابلة للحياة إلا في مناطق معينة وللبعض أنواع النباتات. ومع ذلك ، فقد تم استخدام البيانات التي تم جمعها من عقود من هذه العملية لإنشاء قاعدة بيانات وطنية لرطوبة الوقود ، تتألف من أكثر من 200,000 سجل. من المعروف أن محتوى الرطوبة والوقود في المنطقة مرتبط بخطر حرائق الغابات ، على الرغم من أنه لا يزال من غير المعروف مدى الدور الذي تلعبه بين النظم البيئية ومن نبات إلى نباتات أخرى.

كان كريشنا راو، طالب الدكتوراه في علوم أنظمة الأرض في جامعة ستانفورد، هو المؤلف الرئيسي للدراسة الجديدة، وأوضح راو لمجلة فيوتشريتي أن التعلم الآلي يمنح الباحثين القدرة على اختبار الافتراضات حول الروابط بين رطوبة الوقود الحي والطقس في النظم البيئية المختلفة. قام راو وزملاؤه بتدريب نموذج شبكة عصبية متكررة على بيانات من قاعدة البيانات الوطنية لرطوبة الوقود. تم بعد ذلك اختبار النموذج من خلال تقدير مستويات رطوبة الوقود بناءً على القياسات التي تم جمعها بواسطة أجهزة الاستشعار الفضائية. وتضمنت البيانات إشارات من رادار الفتحة الاصطناعية (SAR)، وهي إشارات رادارية تعمل بالموجات الدقيقة تخترق السطح، وضوء مرئي يرتد عن سطح الكوكب. تتألف بيانات التدريب والتحقق من صحة النموذج من ثلاث سنوات من البيانات لحوالي 240 موقعًا في جميع أنحاء غرب الولايات المتحدة بدءًا من عام 2015.

أجرى الباحثون تحليلات على أنواع مختلفة من تغطية الأراضي ، بما في ذلك الغطاء النباتي المتناثر ، والأراضي العشبية ، والأراضي الشجرية ، والغابات دائمة الخضرة ، والغابات عريضة الأوراق. كانت تنبؤات النموذج الأكثر دقة والأكثر موثوقية مطابقة لقياس NFMD في مناطق الشجيرات. هذا أمر محظوظ ، حيث أن الشجيرات تشكل ما يقرب من 45 ٪ من النظم البيئية الموجودة في جميع أنحاء غرب الولايات المتحدة. غالبًا ما تكون أراضي الشجيرات ، ولا سيما شجيرات شبارال ، عرضة للحرائق بشكل فريد ، كما رأينا في العديد من الحرائق التي اشتعلت في جميع أنحاء كاليفورنيا خلال السنوات الأخيرة.

تم استخدام التنبؤات التي تم إنشاؤها بواسطة النموذج في الإنشاء خريطة تفاعلية التي يمكن لوكالات إدارة الحرائق استخدامها يومًا ما لتحديد أولويات مناطق مكافحة الحرائق وتمييز الأنماط الأخرى ذات الصلة. يعتقد الباحثون أنه مع مزيد من التدريب والتنقيح يمكن للنموذج.

كما ألكسندرا كونينغز ، الأستاذ المساعد لعلوم أنظمة الأرض بجامعة ستانفورد ، وأوضح لشركة فيوتشر:

كان إنشاء هذه الخرائط الخطوة الأولى في فهم كيفية تأثير بيانات رطوبة الوقود الجديدة هذه على مخاطر الحريق والتنبؤات. الآن نحاول تحديد أفضل الطرق لاستخدامها لتحسين التنبؤ بالحرائق ".