نموذج الذكاء الاصطناعي المستخدم لتحديد جفاف الغابات وتوقعات الحرائق الغابوية

صمم باحثون من جامعة ستانفورد نموذجًا جديدًا للتعلم العميق يعتمد على مستويات الرطوبة عبر 12 ولاية مختلفة من أجل المساعدة في توقعات الحرائق الغابوية ومساعدة فرق إدارة الحرائق على التغلب على الحرائق الغابوية التي قد تكون مدمرة محتملًا.

تهدف فرق إدارة الحرائق إلى التنبؤ بمكان حدوث الأسوأ من الحرائق ، من أجل تنفيذ إجراءات وقائية مثل الحرق المحدد. يتطلب التنبؤ بنقاط المنشأ وأنماط انتشار الحرائق الغابوية معلومات حول كميات الوقود ومستويات الرطوبة للمنطقة المستهدفة. جمع هذه البيانات وتحليلها بسرعة كافية لتكون مفيدة لفرق إدارة الحرائق هو أمر صعب ، ولكن نماذج التعلم العميق يمكن أن تساعد في توفير هذه العمليات الحاسمة.

كما ذكرت Futurity مؤخرًا ، جمع باحثون من جامعة ستانفورد بيانات مناخية وصمموا نموذجًا يهدف إلى إنتاج خرائط مفصلة لمستويات الرطوبة عبر 12 ولاية غربية ، بما في ذلك ولايات الساحل المحيط الهادئ ، تكساس ، وايومنغ ، مونتانا ، والولايات الجنوبية الغربية. وفقًا للباحثين ، على الرغم من أن النموذج لا يزال قيد التحسين ، إلا أنه قادر بالفعل على الكشف عن المناطق التي تتعرض لخطر كبير من الحرائق الغابوية حيث يكون المنظر الطبيعي جافًا بشكل غير عادي.

الطريقة التقليدية لجمع البيانات المتعلقة بمستويات الوقود والرطوبة للمنطقة المستهدفة هي من خلال مقارنة النباتات الجافة بالنباتات الرطبة بجد. بشكل خاص ، يجمع الباحثون عينات نباتية من الأشجار ويزنونها. بعد ذلك ، يتم جفاف العينات النباتية ووزنها مرة أخرى. يتم إجراء مقارنات بين وزن العينات الجافة والعينات الرطبة لتحديد كمية الرطوبة في النبات. هذا العملية طويلة ومعقدة ولا تصلح إلا في بعض المناطق ولبعض أنواع النباتات. ومع ذلك ، تم استخدام البيانات التي تم جمعها من عقود من هذه العملية لإنشاء قاعدة بيانات وطنية لمحتوى رطوبة الوقود ، التي تضم أكثر من 200000 سجل. يُعتبر محتوى رطوبة الوقود في المنطقة مرتبطًا جيدًا ب خطر الحرائق الغابوية ، على الرغم من أنه لا يزال غير معروف إلى أي مدى يلعب دورًا بين النظم البيئية ومن نبات إلى آخر.

كان Krishna Rao ، طالب دكتوراه في علوم النظام الأرضي بجامعة ستانفورد ، المؤلف الرئيسي للدراسة الجديدة ، وشرح Rao لفوتوريتي أن التعلم الآلي يمنح الباحثين القدرة على اختبار الفرضيات حول العلاقات بين رطوبة الوقود الحية والطقس لأنظمة بيئية مختلفة. قام Rao وزملاؤه بتدريب نموذج الشبكة العصبية المتكررة على بيانات من قاعدة بيانات الوقود الوطنية. ثم تم اختبار النموذج عن طريق تقدير مستويات رطوبة الوقود بناءً على القياسات التي تم جمعها بواسطة أجهزة الاستشعار الفضائية. وشملت البيانات إشارات من الرادار الماص للفجوات (SAR) ، وهو إشارات رادار الميكروويف التي تصل إلى السطح ، والضوء المرئي الذي ينعكس عن سطح الكوكب. تتكون بيانات التدريب والتحقق من النموذج من ثلاث سنوات من البيانات لما يقرب من 240 موقعًا في جميع أنحاء الولايات المتحدة الغربية بدءًا من عام 2015.

أجرى الباحثون تحليلات على أنواع مختلفة من الغطاء الأرضي ، بما في ذلك النباتات النادرة ، والمراعى ، وأراضي الشجيرات ، والغابات دائمة الخضرة ، والغابات القديمة أوراق الشجر. كانت تنبؤات النموذج أكثر دقة ، وتماثل بشكل موثوق بها قياسات NFMD ، في مناطق أراضي الشجيرات. وهذا أمر محظوظ ، لأن أراضي الشجيرات تشكل حوالي 45٪ من النظم البيئية الموجودة في جميع أنحاء غرب الولايات المتحدة. غالبًا ما تكون أراضي الشجيرات ، ولا سيما أراضي الشجيرات الشوكية ، معرضة بشكل فريد للحرائق ، كما هو موضح في العديد من الحرائق التي اندلعت في جميع أنحاء كاليفورنيا في السنوات الأخيرة.

لقد تم استخدام التنبؤات التي تم توليدها بواسطة النموذج لإنشاء خريطة تفاعلية يمكن لفرق إدارة الحرائق استخدامها في يوم من الأيام للترتيب الأولوي لمناطق للسيطرة على الحرائق والكشف عن الأنماط الأخرى ذات الصلة. يعتقد الباحثون أنه مع المزيد من التدريب والتحسين ، يمكن للنموذج.

كما أوضح ألكسندرا كونينغز ، أستاذ مساعد في علوم النظام الأرضي بجامعة ستانفورد ، لفوتوريتي:

“إنشاء هذه الخرائط كان الخطوة الأولى في فهم كيف يمكن أن تؤثر هذه البيانات الجديدة لمحتوى رطوبة الوقود على خطر الحرائق والتنبؤات. الآن نحاول تحديد أفضل الطرق لاستخدامها لتحسين التنبؤ بالحرائق”.