Model AI Používá Se K Mapování Suhosti Lesů, Předpovídání Lesních Požárů

Nový hluboký učící model navržen výzkumníky ze Stanford University využívá úrovně vlhkosti napříč 12 různými státy za účelem pomoci při předpovídání lesních požárů a pomoci týmům požárního managementu dostat se před potenciálně destruktivní lesní požáry.

Týmy požárního managementu se snaží předpovědět, kde by se mohly vyskytnout nejhorší lesní požáry, aby mohly být provedeny preventivní opatření, jako jsou předepsané spalování. Předpovídání počátků a šíření lesních požárů vyžaduje informace o množství paliva a úrovních vlhkosti pro cílovou oblast. Shromažďování těchto údajů a jejich analýza rychlostí, které jsou pro týmy požárního managementu užitečné, je obtížné, ale hluboké učící modely by mohly pomoci automatizovat tyto kritické procesy.

Jak nedávno oznámil Futurity, výzkumníci ze Stanford University shromáždili klimatická data a navrhli model určený k vytvoření podrobných map úrovní vlhkosti napříč 12 západními státy, včetně států na Pacifickém pobřeží, Texasu, Wyomingu, Montany a jihozápadních států. Podle výzkumníků je model, i když je stále ve fázi úpravy, již schopen odhalit oblasti s vysokým rizikem lesních požárů, kde je krajina neobvykle suchá.

Typická metoda shromažďování údajů o úrovních paliva a vlhkosti pro cílovou oblast spočívá v pečlivém srovnání vysušené vegetace s vlhčí vegetací. Konkrétně výzkumníci shromažďují vzorky vegetace ze stromů a váží je. Poté jsou vzorky vegetace vysušeny a opět zváženy. Porovnávají se váhy suchých vzorků a mokrých vzorků, aby se určila úroveň vlhkosti ve vegetaci. Tento proces je dlouhý a složitý a je pouze proveditelný v určitých oblastech a pro některé druhy vegetace. Nicméně, údaje shromážděné z desetiletí tohoto procesu byly použity k vytvoření Národní databáze vlhkosti paliva, která zahrnuje více než 200 000 záznamů. Úroveň vlhkosti paliva v oblasti je dobře známa jako spojená s rizikem lesních požárů, i když je stále neznámé, jak velkou roli hraje mezi ekosystémy a z jedné rostliny na druhou.

Krishna Rao, PhD student v oboru zemských systémů na Stanfordu, byl hlavním autorem nové studie a Rao vysvětlil Futurity, že strojové učení poskytuje výzkumníkům možnost testovat předpoklady o vazbách mezi živou vlhkostí paliva a počasím pro různé ekosystémy. Rao a jeho kolegové vyškolili rekurentní neuronovou síťový model na datech z Národní databáze vlhkosti paliva. Model byl poté testován odhadem úrovní vlhkosti paliva na základě měření shromážděných prostorovými senzory. Data zahrnovala signály ze syntetického aperture radaru (SAR), který jsou mikrovlnné radarové signály, které pronikají k povrchu, a viditelné světlo, které se odráží od povrchu planety. Školicí a validační data pro model sestávala z tří let dat pro přibližně 240 míst v západních USA, počínaje rokem 2015.

Výzkumníci provedli analýzy různých typů pozemkového pokrytí, včetně řídké vegetace, pastvin, křovin, jehličnatých lesů a listnatých lesů. Předpovědi modelu byly nejpreciznější a nejspolehlivěji odpovídaly měření NFMD, v oblastech křovin. To je šťastné, protože křoviny pokrývají přibližně 45 % ekosystémů v západních USA. Křoviny, zejména chaparralové křoviny, jsou často jedinečně náchylné k požárům, jak je vidět u mnoha požárů, které vypukly v Kalifornii v posledních letech.

Předpovědi generované modelem byly použity k vytvoření interaktivní mapy, kterou týmy požárního managementu by mohly jednoho dne použít k prioritizaci oblastí pro kontrolu požárů a rozpoznání dalších relevantních vzorců. Výzkumníci se domnívají, že s dalším školením a úpravou by model mohl.

Jak Alexandra Konings, asistentka profesora zemských systémů na Stanfordu, vysvětlila Futurity:

“Vytvoření těchto map bylo prvním krokem v pochopení, jak tato nová data o vlhkosti paliva mohou ovlivnit riziko požárů a předpovědi. Nyní se snažíme skutečně určit nejlepší způsoby, jak je použít pro zlepšení předpovědi požárů.”