Modelo de inteligencia artificial utilizado para cartografiar la sequedad de los bosques y predecir incendios forestales

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

Los equipos de gestión de incendios buscan predecir dónde pueden ocurrir los incendios más graves, para que se puedan tomar medidas preventivas como quemas prescritas. Predecir los puntos de origen y los patrones de propagación de los incendios forestales requiere información sobre la cantidad de combustible y los niveles de humedad en la región objetivo. Recopilar estos datos y analizarlos a la velocidad necesaria para ser útiles para los equipos de gestión de incendios es difícil, pero los modelos de aprendizaje profundo podrían ayudar a automatizar estos procesos críticos.

Como informó recientemente Futurity, los investigadores de la Universidad de Stanford recopilaron datos climáticos y diseñaron un modelo destinado a generar mapas detallados de los niveles de humedad en 12 estados del oeste, incluyendo los estados de la costa del Pacífico, Texas, Wyoming, Montana y los estados del suroeste. Según los investigadores, aunque el modelo aún está en proceso de refinamiento, ya es capaz de revelar áreas de 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 la vegetación seca con la vegetación más húmeda de manera tediosa. Específicamente, los investigadores recopilan muestras de vegetación de árboles y las pesan. Luego, las muestras de vegetación se secan y se pesan de nuevo. Se realizan 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 y complejo, y solo es viable en ciertas áreas 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 de Combustible, que comprende más de 200.000 registros. El contenido de humedad de combustible de una región está bien conocido por estar relacionado con el riesgo de incendios forestales, aunque todavía no se sabe exactamente cuál es el papel que desempeña entre los ecosistemas y de una planta a otra.

Krishna Rao, estudiante de doctorado en ciencias de la Tierra en la Universidad de Stanford, fue el autor principal del nuevo estudio, y Rao explicó a Futurity que el aprendizaje automático permite a los investigadores probar suposiciones sobre los vínculos entre la humedad de combustible vivo y el clima para diferentes ecosistemas. Rao y sus colegas entrenaron un modelo de red neuronal recurrente con datos de la Base de Datos Nacional de Humedad de Combustible. Luego, el modelo se probó estimando los niveles de humedad de combustible en función de las mediciones recopiladas por sensores espaciales. Los datos incluyeron señales de 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 de la Tierra. Los datos de entrenamiento y validación del modelo consistieron en tres años de datos para aproximadamente 240 sitios en el oeste de Estados Unidos, a partir de 2015.

Los investigadores realizaron análisis en varios tipos de cobertura de tierra, incluyendo vegetación escasa, pastizales, matorrales, bosques de coníferas de hoja perenne y bosques de caducifolios de hoja ancha. Las predicciones del modelo fueron las más precisas y coincidieron más fielmente con las mediciones de la NFMD en regiones de matorrales. Esto es afortunado, ya que los matorrales comprenden aproximadamente el 45% de los ecosistemas que se encuentran en el oeste de Estados Unidos. Los matorrales, en particular los matorrales de chaparral, a menudo son únicamente susceptibles al fuego, como se ha visto en muchos de los incendios que han azotado California en los últimos años.

Las predicciones generadas por el modelo se han utilizado para crear un mapa interactivo que las agencias de gestión de incendios podrían utilizar en el futuro para priorizar regiones para el control de incendios y discernir otros patrones relevantes. Los investigadores creen que con un entrenamiento y refinamiento adicionales, el modelo podría.

Como explicó Alexandra Konings, profesora asistente de ciencias de la Tierra en la Universidad de Stanford, a Futurity:

“Crear estos mapas fue el primer paso para entender cómo estos nuevos datos de humedad de combustible podrían afectar el riesgo y las predicciones de incendios. Ahora estamos tratando de determinar realmente las mejores formas de utilizarlos para mejorar la predicción de incendios”.