Μοντέλο AI που χρησιμοποιείται για τη χαρτογράφηση της ξηρότητας των δασών, την πρόβλεψη πυρκαγιών

Ένα νέο μοντέλο βαθιάς μάθησης που σχεδιάστηκε από ερευνητές από το Πανεπιστήμιο του Στάνφορντ αξιοποιεί τα επίπεδα υγρασίας σε 12 διαφορετικές πολιτείες, προκειμένου να βοηθήσει στην πρόβλεψη των πυρκαγιών και να βοηθήσει τις ομάδες διαχείρισης πυρκαγιών να προλάβουν τις δυνητικά καταστροφικές πυρκαγιές.

Οι ομάδες διαχείρισης πυρκαγιάς στοχεύουν να προβλέψουν πού μπορεί να εκδηλωθούν οι χειρότερες πυρκαγιές, προκειμένου να μπορούν να ληφθούν προληπτικά μέτρα όπως τα προβλεπόμενα εγκαύματα. Η πρόβλεψη των σημείων προέλευσης και των προτύπων εξάπλωσης για τις πυρκαγιές απαιτεί πληροφορίες σχετικά με τις ποσότητες καυσίμου και τα επίπεδα υγρασίας για την περιοχή στόχο. Η συλλογή αυτών των δεδομένων και η ανάλυσή τους με την ταχύτητα που απαιτείται για να είναι χρήσιμη για τις ομάδες διαχείρισης πυρκαγιών είναι δύσκολη, αλλά τα μοντέλα βαθιάς μάθησης θα μπορούσαν να βοηθήσουν στην αυτοματοποίηση αυτών των κρίσιμων διαδικασιών.

Όπως ανέφερε πρόσφατα το Futurity, ερευνητές από το Πανεπιστήμιο του Στάνφορντ συνέλεξαν δεδομένα για το κλίμα και σχεδίασε ένα μοντέλο προορίζεται να αποδώσει λεπτομερείς χάρτες των επιπέδων υγρασίας σε 12 δυτικές πολιτείες, συμπεριλαμβανομένων των πολιτειών της ακτής του Ειρηνικού, του Τέξας, του Ουαϊόμινγκ, της Μοντάνα και των νοτιοδυτικών πολιτειών. Σύμφωνα με τους ερευνητές, αν και το μοντέλο εξακολουθεί να υποβάλλεται σε επεξεργασία, είναι ήδη ικανό να αποκαλύψει περιοχές υψηλού κινδύνου για δασικές πυρκαγιές όπου το τοπίο είναι ασυνήθιστα ξηρό.

Η τυπική μέθοδος συλλογής δεδομένων σχετικά με τα επίπεδα καυσίμου και υγρασίας για μια περιοχή στόχο είναι η επίπονη σύγκριση της αποξηραμένης βλάστησης με την πιο υγρή βλάστηση. Συγκεκριμένα, οι ερευνητές συλλέγουν δείγματα βλάστησης από δέντρα και τα ζυγίζουν. Στη συνέχεια, τα δείγματα βλάστησης ξηραίνονται και ζυγίζονται εκ νέου. Γίνονται συγκρίσεις μεταξύ του βάρους των ξηρών δειγμάτων και των υγρών δειγμάτων για τον προσδιορισμό της ποσότητας υγρασίας στη βλάστηση. Αυτή η διαδικασία είναι μια μακρά, πολύπλοκη διαδικασία που είναι βιώσιμη μόνο σε ορισμένες περιοχές και για ορισμένα είδη βλάστησης. Ωστόσο, τα δεδομένα που συλλέχθηκαν από δεκαετίες αυτής της διαδικασίας έχουν χρησιμοποιηθεί για τη δημιουργία της Εθνικής Βάσης Δεδομένων Υγρασίας Καυσίμου, που αποτελείται από περισσότερες από 200,000 εγγραφές. Η περιεκτικότητα σε υγρασία σε καύσιμα μιας περιοχής είναι γνωστό ότι συνδέεται με τον κίνδυνο πυρκαγιάς, αν και είναι ακόμα άγνωστο πόσο ρόλο παίζει μεταξύ των οικοσυστημάτων και από το ένα φυτό σε άλλα φυτά.

Ο Κρίσνα Ράο, διδακτορικός φοιτητής στην επιστήμη των συστημάτων της γης στο Στάνφορντ ήταν ο κύριος συγγραφέας ή η νέα μελέτη και ο Ράο εξήγησε στο Futurity ότι η μηχανική μάθηση παρέχει στους ερευνητές τη δυνατότητα να δοκιμάσουν υποθέσεις σχετικά με τη σχέση μεταξύ υγρασίας ζωντανών καυσίμων και καιρού για διαφορετικά οικοσυστήματα. Ο Rao και οι συνεργάτες του εκπαίδευσαν ένα μοντέλο επαναλαμβανόμενου νευρωνικού δικτύου σε δεδομένα από την Εθνική βάση δεδομένων υγρασίας καυσίμου. Στη συνέχεια, το μοντέλο δοκιμάστηκε με εκτίμηση των επιπέδων υγρασίας του καυσίμου με βάση μετρήσεις που συλλέχθηκαν από διαστημικούς αισθητήρες. Τα δεδομένα περιελάμβαναν σήματα από ραντάρ συνθετικού ανοίγματος (SAR), που είναι σήματα ραντάρ μικροκυμάτων που διεισδύουν στην επιφάνεια, και ορατό φως που αναπηδά από την επιφάνεια του πλανήτη. Τα δεδομένα εκπαίδευσης και επικύρωσης για το μοντέλο αποτελούνταν από δεδομένα τριών ετών για περίπου 240 τοποθεσίες στις δυτικές ΗΠΑ από το 2015.

Οι ερευνητές έκαναν αναλύσεις για διάφορους τύπους κάλυψης γης, συμπεριλαμβανομένης της αραιής βλάστησης, των λιβαδιών, των θαμνωδών εκτάσεων, των αειθαλών δασών με βελόνα και των πλατύφυλλων φυλλοβόλων δασών. Οι προβλέψεις του μοντέλου ήταν οι πιο ακριβείς, οι πιο αξιόπιστες ταιριάζουν με τη μέτρηση NFMD, σε περιοχές θαμνωδών εκτάσεων. Αυτό είναι τυχερό, καθώς οι θαμνώδεις εκτάσεις αποτελούν περίπου το 45% των οικοσυστημάτων που βρίσκονται σε όλη τη δύση των ΗΠΑ. Οι θαμνώδεις εκτάσεις, ιδιαίτερα οι θάμνοι, είναι συχνά μοναδικά επιρρεπείς στη φωτιά, όπως φαίνεται σε πολλές από τις πυρκαγιές που κάηκαν σε ολόκληρη την Καλιφόρνια τα τελευταία χρόνια.

Οι προβλέψεις που δημιουργούνται από το μοντέλο έχουν χρησιμοποιηθεί για τη δημιουργία ένας διαδραστικός χάρτης που οι υπηρεσίες διαχείρισης πυρκαγιών θα μπορούσαν να χρησιμοποιήσουν μια μέρα για να δώσουν προτεραιότητα στις περιοχές για τον έλεγχο της πυρκαγιάς και να διακρίνουν άλλα σχετικά πρότυπα. Οι ερευνητές πιστεύουν ότι με περαιτέρω εκπαίδευση και τελειοποίηση το μοντέλο θα μπορούσε.

Ως Alexandra Konings, επίκουρη καθηγήτρια επιστήμης γήινων συστημάτων στο Stanford, εξήγησε στο Futurity:

«Η δημιουργία αυτών των χαρτών ήταν το πρώτο βήμα για την κατανόηση του πώς αυτά τα νέα δεδομένα υγρασίας καυσίμου θα μπορούσαν να επηρεάσουν τον κίνδυνο πυρκαγιάς και τις προβλέψεις. Τώρα προσπαθούμε να εντοπίσουμε πραγματικά τους καλύτερους τρόπους χρήσης του για βελτιωμένη πρόβλεψη πυρκαγιάς».