نموذج الذكاء الاصطناعي المستخدم لتحديد جفاف الغابات وتوقعات الحرائق البرية

صمم باحثون من جامعة ستانفورد نموذجًا جديدًا للتعلم العميق يعتمد على مستويات الرطوبة عبر 12州 مختلفًا من أجل مساعدة فرق إدارة الحرائق على التنبؤ بالحرائق البرية وتحديد المناطق التي قد تكون أكثر عرضة للحرائق.

تهدف فرق إدارة الحرائق إلى التنبؤ بمكان حدوث الحرائق البرية وتحديد المناطق التي قد تكون أكثر عرضة للحرائق، من أجل اتخاذ الإجراءات الوقائية مثل الحرق المُحكم. يتطلب التنبؤ بمكان حدوث الحرائق البرية ومسار انتشارها معلومات حول كمية الوقود ومستويات الرطوبة في المنطقة المستهدفة. ومع ذلك، يصعب جمع هذه البيانات وتحليلها بسرعة كافية لتكون مفيدة لفرق إدارة الحرائق، ولكن نماذج التعلم العميق يمكن أن تساعد في توفير هذه العملية.

كما ذكرت Futurity مؤخرًا، جمع باحثون من جامعة ستانفورد بيانات مناخية وصمموا نموذجًا يهدف إلى إنشاء خرائط تفصيلية لمستويات الرطوبة عبر 12州 غربية، بما في ذلك ولايات الساحل الغربي وتكساس ووايومنغ ومونتانا والجنوب الغربي. وفقًا للباحثين، على الرغم من أن النموذج لا يزال قيد التحسين، إلا أنه يمكنه بالفعل الكشف عن المناطق التي تتمتع بمستويات عالية من الجفاف وزيادة خطر الحرائق البرية.

الطريقة التقليدية لجمع البيانات حول مستويات الوقود والرطوبة في منطقة معينة هي من خلال مقارنة النباتات الجافة بالنباتات الرطبة. يتم جمع عينات من النباتات من الأشجار ووزنها، ثم تجفيفها ووزنها مرة أخرى. يتم بعد ذلك مقارنة وزن العينات الجافة بالعينات الرطبة لتحديد كمية الرطوبة في النبات. هذه العملية طويلة ومعقدة ولا يمكن تطبيقها إلا في بعض المناطق والأنواع النباتية. ومع ذلك، تم استخدام البيانات التي تم جمعها من هذه العملية لإنشاء قاعدة بيانات وطنية لمستويات الرطوبة في الوقود، التي تضم أكثر من 200000 سجل. من المعروف أن مستويات الرطوبة في الوقود ترتبط بزيادة خطر الحرائق البرية، ولكن لا يزال غير معروف مدى تأثيرها على النظم البيئية والأنواع النباتية.

كان Krishna Rao، طالب الدكتوراه في العلوم البيئية في جامعة ستانفورد، المؤلف الرئيسي للدراسة الجديدة، وشرح Rao لفوتوريتي أن التعلم الآلي يمنح الباحثين القدرة على اختبار الفرضيات حول العلاقات بين رطوبة الوقود الحية والطقس في النظم البيئية المختلفة. قام Rao وزملاؤه بتدريب نموذج الشبكة العصبية المتكررة على بيانات من قاعدة بيانات مستويات الرطوبة الوطنية. ثم تم اختبار النموذج من خلال تقدير مستويات الرطوبة في الوقود بناءً على القياسات التي تم جمعها بواسطة أجهزة الاستشعار الفضائية. وشملت البيانات إشارات من الرادار الماص للفجوات، والتي هي إشارات ميكروويف تصل إلى السطح، والضوء المرئي الذي يرتد عن سطح الكوكب. تمت إضافة بيانات التدريب والتحقق من النموذج لمدة ثلاث سنوات من البيانات لما يقرب من 240 موقعًا في غرب الولايات المتحدة بدءًا من عام 2015.

أجرى الباحثون تحليلات على أنواع مختلفة من الغطاء النباتي، بما في ذلك النباتات الخفيفة والمراعي والأراضي الشجيرة والغابات دائمة الخضرة والغابات القديمة المتساقطة. كانت تنبؤات النموذج أكثر دقة في المناطق الشجيرة، والتي تشكل حوالي 45٪ من النظم البيئية في غرب الولايات المتحدة. المناطق الشجيرة، ولا سيما المناطق الشجيرة في تشابارال، أكثر عرضة للحرائق، كما هو موضح في العديد من الحرائق التي اندلعت في كاليفورنيا في السنوات الأخيرة.

تم استخدام التنبؤات التي قدمها النموذج لإنشاء خريطة تفاعلية يمكن أن يستخدمها مديرو الحرائق في يوم من الأيام لتحديد الأولويات للمناطق التي تحتاج إلى سيطرة على الحرائق وتحديد الأنماط الأخرى ذات الصلة. يعتقد الباحثون أن النموذج يمكن أن يُحسّن من التنبؤات مع مزيدًا من التدريب والتحسين.

كما أوضح ألكسندرا كونينغز، أستاذ مساعد في العلوم البيئية في جامعة ستانفورد، لفوتوريتي:

“إنشاء هذه الخرائط كان الخطوة الأولى في فهم كيف يمكن أن تؤثر هذه البيانات الجديدة لمستويات الرطوبة على خطر الحرائق وتوقعاتها. الآن نحن نحاول تحديد أفضل الطرق لاستخدامها لتحسين التنبؤ بالحرائق”.