KI-Modell zur Kartierung der Trockenheit von Wäldern, Vorhersage von Waldbränden

Ein neues Deep-Learning-Modell, das von Forschern der Stanford University entworfen wurde, nutzt Feuchtigkeitswerte in 12 verschiedenen Bundesstaaten, um die Vorhersage von Waldbränden zu unterstützen und den Feuerwehr-Teams zu helfen, potenziell destruktive Waldbrände zu verhindern.

Feuerwehr-Teams zielen darauf ab, vorherzusagen, wo die schlimmsten Brände auftreten könnten, damit präventive Maßnahmen wie kontrollierte Brände durchgeführt werden können. Die Vorhersage von Ursprung und Ausbreitungsmustern von Waldbränden erfordert Informationen über die Brennstoffmengen und Feuchtigkeitswerte für die Zielregion. Die Erfassung dieser Daten und die Analyse mit der erforderlichen Geschwindigkeit, um für die Waldbrandbekämpfung nützlich zu sein, ist schwierig, aber Deep-Learning-Modelle könnten dabei helfen, diese kritischen Prozesse zu automatisieren.

Wie Futurity kürzlich berichtete, sammelten Forscher der Stanford University Klimadaten und entwarfen ein Modell, das detaillierte Karten der Feuchtigkeitswerte in 12 westlichen Bundesstaaten erstellen soll, einschließlich der Pazifik-Küstenstaaten, Texas, Wyoming, Montana und der Südweststaaten. Laut den Forschern ist das Modell, obwohl es noch verfeinert wird, bereits in der Lage, Gebiete mit hohem Risiko für Waldbrände aufzuzeigen, in denen die Landschaft ungewöhnlich trocken ist.

Die typische Methode zur Erfassung von Daten über Brennstoff- und Feuchtigkeitswerte für eine Zielregion besteht darin, ausgetrocknetes Vegetation mit feuchter Vegetation zu vergleichen. Insbesondere sammeln Forscher Vegetationsproben von Bäumen und wiegen sie. Anschließend werden die Vegetationsproben ausgetrocknet und erneut gewogen. Vergleiche werden zwischen dem Gewicht der trockenen Proben und den feuchten Proben angestellt, um den Feuchtigkeitsgehalt der Vegetation zu bestimmen. Dieser Prozess ist langwierig und komplex und nur in bestimmten Gebieten und für einige Pflanzenarten durchführbar. Die aus diesem Prozess gesammelten Daten wurden jedoch verwendet, um die National Fuel Moisture Database mit über 200.000 Einträgen zu erstellen. Der Feuchtigkeitsgehalt eines Gebiets ist bekanntermaßen mit dem Risiko von Waldbränden verbunden, obwohl noch nicht genau bekannt ist, wie groß die Rolle dabei zwischen Ökosystemen und von einer Pflanze zur anderen ist.

Krishna Rao, PhD-Student im Bereich Erd-systemwissenschaften an der Stanford University, war der Hauptautor der neuen Studie und erklärte gegenüber Futurity, dass maschinelles Lernen es Forschern ermöglicht, Annahmen über die Verbindungen zwischen lebendem Brennstoff und Wetter für verschiedene Ökosysteme zu überprüfen. Rao und seine Kollegen trainierten ein rekurrentes neuronales Netzwerk-Modell mit Daten aus der National Fuel Moisture Database. Das Modell wurde dann getestet, indem die Feuchtigkeitswerte auf der Grundlage von Messungen, die von Weltraum-Sensoren gesammelt wurden, geschätzt wurden. Die Daten umfassten Signale von synthetischem Apertur-Radar (SAR), die bis zur Oberfläche reichten, und sichtbares Licht, das von der Oberfläche des Planeten abprallte. Die Trainings- und Validierungsdaten für das Modell bestanden aus drei Jahren Daten für etwa 240 Standorte im westlichen Teil der USA, beginnend im Jahr 2015.

Die Forscher führten Analysen für verschiedene Arten von Landbedeckung durch, einschließlich spärlicher Vegetation, Grasland, Strauchland, Nadelwald und Laubwald. Die Vorhersagen des Modells waren am genauesten und entsprachen am zuverlässigsten den NFMD-Messungen in den Strauchland-Regionen. Dies ist glücklich, da Strauchland etwa 45 % der Ökosysteme im westlichen Teil der USA ausmacht. Strauchland, insbesondere Chaparral-Strauchland, ist oft besonders anfällig für Brände, wie bei vielen der Brände in Kalifornien in den letzten Jahren zu sehen war.

Die vom Modell generierten Vorhersagen wurden verwendet, um eine interaktive Karte zu erstellen, die Feuerwehr-Teams eines Tages verwenden könnten, um Regionen für die Feuerbekämpfung zu priorisieren und andere relevante Muster zu erkennen. Die Forscher glauben, dass das Modell mit weiterer Schulung und Verfeinerung noch besser werden könnte.

Wie Alexandra Konings, Assistant Professor für Erd-systemwissenschaften an der Stanford University, gegenüber Futurity erklärte:

“Die Erstellung dieser Karten war der erste Schritt zum Verständnis, wie diese neuen Feuchtigkeitsdaten das Brandrisiko und die Vorhersagen beeinflussen könnten. Jetzt versuchen wir, die besten Methoden zu finden, um sie für eine verbesserte Brandvorhersage zu nutzen.”