AI-model bruges til at kortlægge tørheden i skove og forudsige skovbrande

En ny dyb læring-model designet af forskere fra Stanford University udnytter fugtighedsniveauer på tværs af 12 forskellige stater for at hjælpe med at forudsige skovbrande og hjælpe brandbekæmpelsesteams med at komme før de potentielt destruktive skovbrande.

Brandbekæmpelsesteams har til formål at forudsige, hvor de værste brande kan opstå, således at forebyggende foranstaltninger som kontrollerede afbrændinger kan udføres. For at forudsige brande kræves oplysninger om brændstofmængder og fugtighedsniveauer for det pågældende område. At indsamle disse data og analysere dem med den hastighed, der er nødvendig for at være nyttig for skovbrandbekæmpelse, er svært, men dyb læring-modeller kan hjælpe med at automatisere disse kritiske processer.

Som Futurity nylig rapporterede, indsamlede forskere fra Stanford University klimadata og designede en model, der er beregnet til at fremstille detaljerede kort over fugtighedsniveauer på tværs af 12 vestlige stater, herunder staterne langs Stillehavskysten, Texas, Wyoming, Montana og sydveststaterne. Ifølge forskerne kan modellen, selvom den stadig er under udvikling, allerede afsløre områder med høj risiko for skovbrande, hvor landskabet er usædvanligt tørt.

Den typiske metode til at indsamle data om brændstof- og fugtighedsniveauer for et bestemt område er ved at sammenligne tør udsæd med mere fugtig udsæd. Forskere indsamler udsædsprøver fra træer og vejer dem. Derefter tørrer de udsædsprøverne og vejer dem igen. Sammenligninger af vægten af de tørre prøver og de våde prøver giver oplysninger om fugtighedsindholdet i udsædet. Denne proces er lang og kompleks og kan kun udføres i visse områder og for visse arter af udsæd. Dog har data fra årtiers indsamling af denne type blevet brugt til at oprette den Nationale Brændstof-Fugtighedsdatabase, der består af over 200.000 poster. Brændstof-fugtighedsindholdet i et område er kendt for at være forbundet med risikoen for skovbrand, selvom det stadig er ukendt, hvor stor en rolle det spiller mellem økosystemer og fra én planteart til en anden.

Krishna Rao, PhD-student i jord-systemvidenskab ved Stanford, var hovedforfatter på den nye studie, og Rao forklarede til Futurity, at maskinlæring giver forskerne mulighed for at teste antagelser om sammenhængen mellem levende brændstof-fugtighed og vejrforhold for forskellige økosystemer. Rao og kollegerne trænede en rekurrent neural netværksmodel på data fra den Nationale Brændstof-Fugtighedsdatabase. Modellen blev derefter testet ved at estimere brændstof-fugtighedsniveauer på basis af målinger indsamlet af rum-sensorer. Data omfattede signaler fra syntetisk åbning-radar (SAR), der er mikrobølgesignal, der trænger ned til overfladen, og synligt lys, der reflekteres af jordens overflade. Trænings- og valideringsdata for modellen bestod af tre års data for ca. 240 lokaliteter på tværs af det vestlige USA fra 2015.

Forskerne udførte analyser på forskellige typer af landdække, herunder sparsom vegetation, græssletter, buskland, nåletræer og bredbladede løvtræer. Modellens forudsigelser var mest nøjagtige og matchede mest pålideligt NFMD-målingen på buskland. Dette er heldigt, da buskland udgør ca. 45% af økosystemerne i det vestlige USA. Buskland, især chaparral-buskland, er ofte unikt følsomme over for brand, som set i mange af brandene, der har brændt i Californien i de senere år.

Forudsigelserne genereret af modellen er blevet brugt til at oprette et interaktivt kort, som brandbekæmpelsesteams en dag kan bruge til at prioritere områder for brandkontrol og afsløre andre relevante mønstre. Forskerne mener, at med yderligere træning og forbedring kan modellen.

Som Alexandra Konings, lektor i jord-systemvidenskab ved Stanford, forklarede til Futurity:

“At oprette disse kort var det første skridt i at forstå, hvordan denne nye brændstof-fugtighedsdata kan påvirke brandrisiko og forudsigelser. Nu prøver vi at fastlægge de bedste måder at bruge det til forbedret brandforudsigelse.”