Model AI Používá Se K Mapování Sušších Lesů A Předpovídání Lesních Požárů

Nový hluboký učící model navržen výzkumníky ze Stanfordovy univerzity využívá úrovní vlhkosti napříč 12 různými státy, aby pomohl při předpovídání lesních požárů a pomohl týmům požárního managementu dostat se před potenciálně destruktivní lesní požáry.

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

Jak nedávno informoval Futurity, výzkumníci ze Stanfordovy univerzity 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, ačkoli model je stále ve fázi úpravy, již dokáže 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 znovu zváženy. Srovnání jsou provedena mezi hmotností suchých vzorků a vlhkých vzorků, aby se určila úroveň vlhkosti ve vegetaci. Tento proces je dlouhý a složitý a je možný pouze 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, ačkoli je stále neznámé, jak velkou roli hraje mezi ekosystémy a z jedné rostliny na druhou.

Krishna Rao, doktorand v oboru zemských systémů na Stanfordu, byl hlavním autorem nové studie a Rao vysvětlil Futurity, že strojové učení poskytuje výzkumníkům schopnost testovat předpoklady o vazbách mezi živou vlhkostí paliva a počasím pro různé ekosystémy. Rao a jeho kolegové vyškolili model rekurentní neuronové sítě na datech z Národní databáze vlhkosti paliva. Model byl poté testován odhadem úrovní vlhkosti paliva na základě měření shromážděných vesmírnými 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. Trénovací a validační data pro model sestávala z tří let dat pro přibližně 240 míst v západních Spojených státech, počínaje rokem 2015.

Výzkumníci provedli analýzy různých typů pozemního pokrytí, včetně řídké vegetace, pastvin, křovin, jehličnatých lesů a listnatých lesů. Předpovědi modelu byly nejpreciznější a nejvěrněji odpovídaly měření NFMD, na územích s křovinami. To je výhodné, protože křoviny tvoří přibližně 45 % ekosystémů v západních Spojených státech. Křoviny, zejména chaparralové křoviny, jsou často zvláště 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 by mohly požární management týmy jednoho dne použít k prioritizaci oblastí pro kontrolu požárů a k určení dalších relevantních vzorců. Výzkumníci se domnívají, že s dalším tréninkem a úpravou by model mohl.

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

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