Tekoälymalli käytetään metsien kuivuuden kartoittamiseen ja metsäpalojen ennustamiseen

Stanfordin yliopiston tutkijat ovat suunnitelleet uuden syväoppimismallin, joka hyödyntää kosteuslukemia 12 eri osavaltiossa, jotta voidaan auttaa metsäpalojen ennustamisessa ja avustaa metsäpalojen hallintatiimejä ennen mahdollisesti tuhoisia metsäpaloja.

Metsäpalojen hallintatiimit pyrkivät ennustamaan, missä alueilla voivat syttyä pahimmat metsäpalot, jotta voidaan toteuttaa ehkäiseviä toimia, kuten suunniteltuja polttoja. Metsäpalojen ennustamiseen tarvitaan tietoa polttoaineiden määrästä ja kosteuslukemista kohdealueella. Tämän tiedon kerääminen ja analysointi tarvittavalla nopeudella on haastavaa, mutta syväoppimismallit voivat auttaa automatisoimaan nämä kriittiset prosessit.

Futurity raportoi äskettäin, että Stanfordin yliopiston tutkijat keräsivät ilmastodataa ja suunnittelivat mallin, jonka tarkoituksena on luoda yksityiskohtaiset kartat kosteuslukemista 12 länsiosavaltiossa, mukaan lukien Tyynenmeren rannikon osavaltiot, Texas, Wyoming, Montana ja lounaiset osavaltiot. Tutkijoiden mukaan malli on jo nyt kykeneväinen osoittamaan alueet, joilla on korkea riski metsäpaloille, joilla maisema on epätavallisen kuiva.

Tavanomainen menetelmä kerätä tietoa polttoaineiden ja kosteuslukemien osalta kohdealueella on verrata kuivuneita kasveja kosteampiin kasveihin. Tutkijat keräävät kasvinäytteitä puista ja painavat ne. Sen jälkeen kasvinäytteet kuivataan ja painavat uudelleen. Vertailu tehdään kuivien näytteiden ja märkien näytteiden välillä, jotta voidaan määrittää kasvien kosteuslukema. Tämä prosessi on pitkä ja monimutkainen, ja se on mahdollinen vain tietyillä alueilla ja joillekin kasvilajeille. Kuitenkin vuosikymmenien ajan kerätty data on käytetty luomaan National Fuel Moisture Database, joka sisältää yli 200 000 rekisteröintiä. Polttoaineen kosteuslukema on hyvin tunnettu olevan yhteydessä metsäpalojen riskiin, vaikka ei vielä tiedetä, miten suuri rooli sillä on eri ekosysteemeissä ja eri kasvilajien välillä.

Krishna Rao, joka on maanviljelys- ja metsätieteiden tohtorikoulutettava Stanfordin yliopistossa, oli uuden tutkimuksen johtaja, ja Rao selitti Futuritylle, että koneoppiminen antaa tutkijoille mahdollisuuden testata oletuksia polttoaineen kosteuslukemien ja sään välisistä yhteyksistä eri ekosysteemeissä. Rao ja hänen kollegansa kouluttivat recurrent neural network -mallin National Fuel Moisture Database -tietojen avulla. Malli testattiin arvioimalla polttoaineen kosteuslukemia avaruussensoreiden mittauksista. Data sisälsi signaaleja synthetic aperture radar (SAR) -järjestelmästä, joka on mikroaaltoradiosignaaleja, jotka tunkeutuvat pinnalle, ja näkyvää valoa, joka heijastuu planeetan pinnalta. Mallin koulutus- ja validointidata koostuivat kolmen vuoden aikana kerätyistä tiedoista noin 240 paikasta läntisessä Yhdysvalloissa vuodesta 2015 alkaen.

Tutkijat suorittivat analyysit eri maankäyttöluokkien osalla, mukaan lukien niukka kasvillisuus, ruohikko, pensaikko, neula-lehtinen havupuu ja lehtinen lehtipuu. Mallin ennusteet olivat tarkin ja vastasivat parhaiten NFMD-mittaustuloksia pensaikkoalueilla. Tämä on onnekasta, koska pensaikot kattavat noin 45 % ekosysteemeistä Yhdysvaltain länsiosissa. Pensaikot, erityisesti chaparral-pensaikot, ovat usein erityisen herkkiä tulipaloille, kuten nähtiin monissa Kalifornian metsäpaloissa viime vuosina.

Mallin ennusteiden avulla on luotu interaktiivinen kartta, jonka metsäpalojen hallintatiimit voivat käyttää alueiden priorisointiin ja muiden asiaankuuluvien kuvioiden havaitsemiseen. Tutkijat uskovat, että mallin kouluttamisen ja hienosäätämisen jälkeen se voisi.

Alexandra Konings, joka on maanviljelys- ja metsätieteiden apulaisprofessori Stanfordin yliopistossa, selitti Futuritylle:

“Näiden karttojen luominen oli ensimmäinen askel ymmärtää, miten tämä uusi polttoaineen kosteuslukemien data vaikuttaa metsäpalojen riskiin ja ennusteisiin. Nyt yritämme todella määrittää parhaat tavat käyttää sitä parantuneen metsäpalojen ennustamisen vuoksi.”