Modelo de IA utilizado para mapear la sequedad de los bosques y predecir incendios forestales

Un nuevo modelo de aprendizaje profundo diseñado por investigadores de la Universidad de Stanford aprovecha los niveles de humedad en 12 estados diferentes para ayudar en la predicción de incendios forestales y ayudar a los equipos de gestión de incendios a adelantarse a incendios forestales potencialmente destructivos.

Los equipos de gestión de incendios tienen como objetivo predecir dónde pueden ocurrir los peores incendios, para que se puedan llevar a cabo medidas preventivas como las quemas prescritas. Predecir los puntos de origen y los patrones de propagación de los incendios forestales exige información sobre las cantidades de combustible y los niveles de humedad para la región objetivo. Es difícil recopilar estos datos y analizarlos a la velocidad necesaria para que sean útiles para los equipos de gestión de incendios forestales, pero los modelos de aprendizaje profundo podrían ayudar a automatizar estos procesos críticos.

Como informó recientemente Futurity, investigadores de la Universidad de Stanford recopilaron datos climáticos y diseñó un modelo destinado a generar mapas detallados de los niveles de humedad en 12 estados del oeste, incluidos los estados de la costa del Pacífico, Texas, Wyoming, Montana y los estados del suroeste. Según los investigadores, aunque el modelo aún se está refinando, ya es capaz de revelar áreas con alto riesgo de incendios forestales donde el paisaje es inusualmente seco.

El método típico de recopilar datos sobre los niveles de combustible y humedad para una región objetivo es comparar minuciosamente la vegetación seca con la vegetación más húmeda. Específicamente, los investigadores recolectan muestras de vegetación de los árboles y las pesan. Posteriormente, las muestras de vegetación se secan y se vuelven a pesar. Se hacen comparaciones entre el peso de las muestras secas y las muestras húmedas para determinar la cantidad de humedad en la vegetación. Este proceso es largo, complejo y solo viable en determinadas zonas y para algunas especies de vegetación. Sin embargo, los datos recopilados durante décadas de este proceso se han utilizado para crear la base de datos nacional de humedad del combustible, compuesta por más de 200,000 XNUMX registros. Es bien sabido que el contenido de humedad del combustible de una región está relacionado con el riesgo de incendios forestales, aunque aún se desconoce el papel que desempeña entre los ecosistemas y de una planta a otra.

Krishna Rao, estudiante de doctorado en ciencias de sistemas terrestres en Stanford, fue el autor principal del nuevo estudio, y Rao explicó a Futurity que el aprendizaje automático ofrece a los investigadores la capacidad de probar suposiciones sobre los vínculos entre la humedad del combustible vivo y el clima en diferentes ecosistemas. Rao y sus colegas entrenaron un modelo de red neuronal recurrente con datos de la Base de datos nacional de humedad del combustible. Luego, el modelo se probó estimando los niveles de humedad del combustible basándose en mediciones recopiladas por sensores espaciales. Los datos incluían señales del radar de apertura sintética (SAR), que son señales de radar de microondas que penetran hasta la superficie, y luz visible que rebota en la superficie del planeta. Los datos de entrenamiento y validación del modelo consistieron en tres años de datos de aproximadamente 240 sitios en todo el oeste de EE. UU. a partir de 2015.

Los investigadores realizaron análisis en varios tipos de cobertura de la tierra, incluida la vegetación escasa, los pastizales, los matorrales, los bosques de hoja perenne de hoja perenne y los bosques caducifolios de hoja ancha. Las predicciones del modelo fueron las más precisas y coincidieron de manera más confiable con la medición de la NFMD en las regiones de matorrales. Esto es una suerte, ya que los matorrales comprenden aproximadamente el 45% de los ecosistemas que se encuentran en todo el oeste de los EE. UU. Los matorrales, en particular los matorrales de chaparral, a menudo son excepcionalmente susceptibles al fuego, como se ha visto en muchos de los incendios que ardieron en todo California en los últimos años.

Las predicciones generadas por el modelo se han utilizado para crear un mapa interactivo que las agencias de manejo de incendios podrían usar algún día para priorizar regiones para el control de incendios y discernir otros patrones relevantes. Los investigadores creen que con mayor capacitación y refinamiento, el modelo podría lograrlo.

Como Alexandra Konings, profesora asistente de ciencias de sistemas terrestres en Stanford, explicó a Futurity:

“La creación de estos mapas fue el primer paso para comprender cómo estos nuevos datos de humedad del combustible podrían afectar el riesgo y las predicciones de incendios. Ahora estamos tratando de precisar las mejores formas de usarlo para mejorar la predicción de incendios”.