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

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

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

Wie Futurity kürzlich berichtete, sammelten Forscher der Stanford University Klimadaten und entwickelten 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 zu identifizieren, in denen die Landschaft ungewöhnlich trocken ist.

Die übliche Methode, um Daten über Brennstoff- und Feuchtigkeitswerte für eine Zielregion zu sammeln, besteht darin, ausgetrocknete Vegetation mit feuchter Vegetation zu vergleichen. Insbesondere sammeln Forscher Vegetationsproben von Bäumen und wiegen sie. Anschließend werden die Vegetationsproben getrocknet und erneut gewogen. Durch den Vergleich des Gewichts der trockenen Proben mit dem Gewicht der feuchten Proben kann die Feuchtigkeitsmenge in der Vegetation bestimmt werden. Dieser Prozess ist langwierig und komplex und nur in bestimmten Gebieten und für bestimmte Arten von Vegetation möglich. Die über Jahrzehnte gesammelten Daten wurden jedoch verwendet, um die National Fuel Moisture Database mit über 200.000 Einträgen zu erstellen. Die Feuchtigkeitsmenge in einer Region ist bekanntermaßen mit dem Risiko von Waldbränden verbunden, obwohl noch nicht genau bekannt ist, wie groß die Rolle ist, die sie zwischen Ökosystemen und von einer Pflanze zur anderen spielt.

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 lebender Brennstofffeuchtigkeit 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 Weltraumsensoren gesammelt wurden, geschätzt wurden. Die Daten umfassten Signale von synthetischer Apertur-Radar (SAR), also Mikrowellensignalen, die bis zur Oberfläche dringen, und sichtbares Licht, das von der Oberfläche der Erde abprallt. Die Trainings- und Validierungsdaten für das Modell bestanden aus drei Jahren Daten von etwa 240 Standorten 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 Messungen der NFMD, insbesondere in den Strauchland-Regionen. Dies ist glücklich, da Strauchland etwa 45% der Ökosysteme im Westen der USA ausmacht. Strauchland, insbesondere Chaparral-Strauchland, ist oft einzigartig anfällig für Brände, wie in vielen der Brände, die in den letzten Jahren in Kalifornien tobten.

Die vom Modell generierten Vorhersagen wurden verwendet, um eine interaktive Karte zu erstellen, die Feuerwehrbehörden 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, um zu verstehen, wie diese neuen Feuchtigkeitsdaten das Risiko von Waldbränden und Vorhersagen beeinflussen könnten. Jetzt versuchen wir, die besten Möglichkeiten zu finden, um es für eine verbesserte Waldbrandvorhersage zu nutzen.”