AI model koji se koristi za mapiranje suhoće šuma, predviđanje šumskih požara

Novi model dubokog učenja koji su osmislili istraživači sa Sveučilišta Stanford koristi razine vlage u 12 različitih država kako bi pomogao u predviđanju šumskih požara i pomogao timovima za upravljanje požarima da budu ispred potencijalno destruktivnih požara.

Timovi za upravljanje vatrom imaju za cilj predvidjeti gdje bi se mogli pojaviti najgori požari, kako bi se mogle provesti preventivne mjere poput propisanih opeklina. Predviđanje točaka nastanka i obrazaca širenja šumskih požara zahtijeva informacije o količinama goriva i razinama vlage za ciljanu regiju. Teško je prikupiti te podatke i analizirati ih brzinom potrebnom da budu korisni timovima za upravljanje šumskim požarima, ali modeli dubokog učenja mogli bi pomoći u automatizaciji ovih kritičnih procesa.

Kako je Futurity nedavno izvijestio, istraživači sa Sveučilišta Stanford prikupili su klimatske podatke i dizajnirao model namijenjen prikazivanju detaljnih karata razina vlage u 12 zapadnih država, uključujući države na pacifičkoj obali, Teksas, Wyoming, Montanu i jugozapadne države. Prema istraživačima, iako se model još uvijek usavršava, on već može otkriti područja s visokim rizikom od šumskih požara gdje je krajolik neobično suh.

Tipična metoda prikupljanja podataka o razinama goriva i vlage za ciljnu regiju je mukotrpno uspoređivanje osušene vegetacije s vlažnijom vegetacijom. Točnije, istraživači prikupljaju uzorke vegetacije sa drveća i važu ih. Nakon toga se uzorci vegetacije suše i ponovno mjere. Uspoređuju se težine suhih i vlažnih uzoraka kako bi se odredila količina vlage u vegetaciji. Ovaj proces je dug, složen i održiv samo u određenim područjima i za neke vrste vegetacije. Međutim, podaci prikupljeni desetljećima ovog procesa korišteni su za stvaranje Nacionalne baze podataka o vlažnosti goriva, koja se sastoji od preko 200,000 zapisa. Poznato je da je sadržaj vlage u gorivu u regiji povezan s rizikom od požara, iako je još uvijek nepoznato koliku ulogu igra između ekosustava i od jedne biljke do druge biljke.

Krishna Rao, doktorant znanosti o zemaljskim sustavima na Stanfordu bio je glavni autor nove studije, a Rao je objasnio za Futurity da strojno učenje omogućuje istraživačima mogućnost testiranja pretpostavki o vezama između vlage u živom gorivu i vremena za različite ekosustave. Rao i njegovi kolege uvježbali su rekurentni model neuronske mreže na podacima iz Nacionalne baze podataka o vlažnosti goriva. Model je potom testiran procjenom razine vlage u gorivu na temelju mjerenja prikupljenih svemirskim senzorima. Podaci su uključivali signale radara sa sintetičkom aperturom (SAR), koji su signali mikrovalnog radara koji prodiru do površine, i vidljivu svjetlost koja se odbija od površine planeta. Podaci o obuci i validaciji za model sastojali su se od trogodišnjih podataka za otprilike 240 mjesta diljem zapadnog SAD-a počevši od 2015.

Istraživači su proveli analize različitih tipova pokrivenosti tla, uključujući rijetku vegetaciju, travnjake, grmlje, zimzelene šume iglica i listopadne šume širokog lista. Predviđanja modela bila su najpreciznija, najpouzdanije su se podudarala s NFMD mjerenjem, na regijama grmlja. To je sreća, budući da grmlje čini približno 45% ekosustava koji se nalaze diljem zapadnog dijela SAD-a. Grmlje, osobito grmlje chaparral, često je posebno osjetljivo na požar, kao što se vidi u mnogim požarima koji su gorjeli diljem Kalifornije posljednjih godina.

Predviđanja generirana modelom korištena su za stvaranje interaktivnu kartu koje bi agencije za upravljanje požarima jednog dana mogle koristiti za davanje prioriteta regijama za kontrolu požara i razaznavanje drugih relevantnih obrazaca. Istraživači vjeruju da bi uz daljnje usavršavanje i usavršavanje model mogao.

Kao Alexandra Konings, asistentica profesora znanosti o sustavima Zemlje na Stanfordu, objasnio za Futurity:

„Stvaranje ovih karata bio je prvi korak u razumijevanju kako ovi novi podaci o vlažnosti goriva mogu utjecati na rizik od požara i predviđanja. Sada pokušavamo utvrditi najbolje načine za njegovu upotrebu za poboljšano predviđanje požara.”