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

Ένα νέο μοντέλο βαθιάς μάθησης που σχεδιάστηκε από ερευνητές του Πανεπιστημίου 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 προβλέψουν τις πιθανές πυρκαγιές.

Οι ομάδες διαχείρισης πυρκαγιών στοχεύουν να προβλέψουν που μπορεί να συμβούν οι χειρότερες πυρκαγιές, ώστε να μπορέσουν να λάβουν προληπτικά μέτρα, όπως η πραγματοποίηση προγραμματισμένων καύσεων. Η πρόβλεψη των σημείων προέλευσης και των μοτίβων εξάπλωσης των πυρκαγιών απαιτεί πληροφορίες σχετικά με την ποσότητα καυσίμου και τα επίπεδα υγρασίας στην περιοχή. Η συλλογή αυτών των δεδομένων και η ανάλυση τους με την ταχύτητα που απαιτείται για να είναι χρήσιμα για τις ομάδες διαχείρισης πυρκαγιών είναι δύσκολο, αλλά τα μοντέλα βαθιάς μάθησης μπορούν να βοηθήσουν στην αυτοματοποίηση αυτών των κρίσιμων διαδικασιών.

Όπως αναφέρθηκε πρόσφατα από το Futurity, ερευνητές από το Πανεπιστήμιο του Στάνφορντ συλλέγουν κλιματικά δεδομένα και σχεδιάζουν ένα μοντέλο που στοχεύει να δημιουργήσει λεπτομερείς χάρτες των επιπέδων υγρασίας σε 12 δυτικές πολιτείες, συμπεριλαμβανομένων των πολιτειών της ακτής του Ειρηνικού, του Τέξας, του Γουαϊόμινγκ, του Μοντάνα και των νοτιοδυτικών πολιτειών. Σύμφωνα με τους ερευνητές, αν και το μοντέλο είναι ακόμη υπό βελτίωση, είναι ήδη σε θέση να αποκαλύψει περιοχές υψηλού κινδύνου για πυρκαγιές όπου το τοπίο είναι ασυνήθιστα ξηρό.

Η τυπική μέθοδος συλλογής δεδομένων σχετικά με τα επίπεδα καυσίμου και υγρασίας για μια στόχευση περιοχή είναι η σύγκριση ξηρών φυτών με πιο υγρές φυτικές περιοχές. Συγκεκριμένα, οι ερευνητές συλλέγουν δείγματα φυτών από δέντρα και τα ζυγίζουν. Μετά, τα δείγματα φυτών ξηραίνονται και ζυγίζονται ξανά. Οι συγκρίσεις γίνονται μεταξύ του βάρους των ξηρών δειγμάτων και των υγρών δειγμάτων για να καθοριστεί η ποσότητα υγρασίας στο φυτό. Αυτή η διαδικασία είναι μια μακρά και σύνθετη που είναι μόνο εφικτή σε ορισμένες περιοχές και για ορισμένα είδη φυτών. Ωστόσο, τα δεδομένα που συλλέχθηκαν από δεκαετίες αυτής της διαδικασίας έχουν χρησιμοποιηθεί για τη δημιουργία της Εθνικής Βάσης Δεδομένων Υγρασίας Καυσίμου, η οποία αποτελείται από περισσότερα από 200.000 εγγραφές. Η περιεκτικότητα υγρασίας του καυσίμου μιας περιοχής είναι γνωστό ότι συνδέεται με τον κίνδυνο πυρκαγιάς, αν και δεν είναι ακόμη γνωστό πόσο σημαντικό ρόλο παίζει μεταξύ των οικοσυστημάτων και από φυτό σε φυτό.

Ο Krishna Rao, φοιτητής διδακτορικού στο τμήμα επιστημών της Γης του Στάνφορντ, ήταν ο κύριος συγγραφέας της νέας μελέτης και ο Rao εξήγησε στο Futurity ότι η μηχανική μάθηση παρέχει στους ερευνητές τη δυνατότητα να ελέγξουν τις υποθέσεις σχετικά με τις συνδέσεις μεταξύ ζωντανού καυσίμου υγρασίας και καιρού για διαφορετικά οικοσυστήματα. Ο Rao και οι συνεργάτες του εκπαίδευσαν ένα μοντέλο νευρωνικού δικτύου σε δεδομένα από τη Εθνική Βάση Δεδομένων Υγρασίας Καυσίμου. Το μοντέλο στη συνέχεια δοκιμάστηκε με την εκτίμηση των επιπέδων υγρασίας καυσίμου με βάση τις μετρήσεις που συλλέχθηκαν από διαστημικούς αισθητήρες. Τα δεδομένα περιελάμβαναν σήματα από συνθετικό αперτούρα ραντάρ (SAR), τα οποία είναι μικροκυματικά σήματα που διεισδύουν στην επιφάνεια, και ορατό φως που ανακλώνεται από την επιφάνεια του πλανήτη. Τα δεδομένα εκπαίδευσης και επικύρωσης του μοντέλου αποτελούνταν από τρία χρόνια δεδομένων για περίπου 240 τοποθεσίες σε όλη τη δυτική Αμερική, ξεκινώντας από το 2015.

Οι ερευνητές έτρεξαν αναλύσεις σε διάφορους τύπους κάλυψης γης, συμπεριλαμβανομένων σπαρμένων φυτών, λειμώνων, θάμνων, δασών με βελόνες και φύλλα δασών. Οι προβλέψεις του μοντέλου ήταν οι πιο ακριβείς, πιο σταθερά ταιριαστές με τα μέτρα NFMD, στις περιοχές θάμνων. Αυτό είναι τυχερό, καθώς οι θάμνοι αποτελούν περίπου το 45% των οικοσυστημάτων που βρίσκονται σε όλη τη δυτική Αμερική. Οι θάμνοι, ιδιαίτερα οι θάμνοι chaparral, είναι συχνά μοναδικά ευάλωτοι σε πυρκαγιές, όπως φαίνεται σε πολλές από τις πυρκαγιές που έκαψαν σε όλη την Καλιφόρνια τα τελευταία χρόνια.

Οι προβλέψεις που παράγονται από το μοντέλο έχουν χρησιμοποιηθεί για τη δημιουργία ενός διαδραστικού χάρτη που οι υπηρεσίες διαχείρισης πυρκαγιών θα μπορούσαν να χρησιμοποιήσουν για να προτεραιοποιήσουν τις περιοχές για τον έλεγχο των πυρκαγιών και να ανακαλύψουν άλλους σχετικούς μοτίβους. Οι ερευνητές πιστεύουν ότι με περαιτέρω εκπαίδευση και βελτίωση, το μοντέλο θα μπορούσε.

Όπως εξήγησε η Alexandra Konings, αναπληρώτρια καθηγήτρια επιστημών της Γης στο Στάνφορντ, στο Futurity:

«Η δημιουργία αυτών των χαρτών ήταν ο πρώτος βήμας για την κατανόηση του πώς αυτά τα νέα δεδομένα υγρασίας καυσίμου θα μπορούσαν να επηρεάσουν τον κίνδυνο πυρκαγιάς και τις προβλέψεις. Τώρα προσπαθούμε πραγματικά να καθορίσουμε τους καλύτερους τρόπους για να το χρησιμοποιήσουμε για τη βελτίωση της πρόβλεψης πυρκαγιάς.»