AI-modell az erdők szárazságának feltérképezésére, a futótüzek előrejelzésére

A Stanford Egyetem kutatói által megalkotott új mély tanulási modell 12 különböző állam nedvességszintjét használja fel, hogy segítse az erdőtüzek előrejelzését, és segítse a tűzkezelő csapatokat megelőzni a potenciálisan pusztító erdőtüzeket.

A tűzvédelmi csapatok célja megjósolni, hol fordulhatnak elő a legrosszabb tüzek, annak érdekében, hogy a megelőző intézkedéseket, például az előírt égési sérüléseket végre lehessen hajtani. Az erdőtüzek kiindulási pontjainak és terjedési mintáinak előrejelzése megköveteli a célrégió tüzelőanyag-mennyiségére és nedvességtartalmára vonatkozó információkat. Ezen adatok összegyűjtése és elemzése a szükséges sebességgel ahhoz, hogy hasznosak legyenek a futótűz-kezelő csapatok számára, nehéz, de a mély tanulási modellek segíthetnek automatizálni ezeket a kritikus folyamatokat.

Ahogy arról a Futurity nemrég beszámolt, a Stanford Egyetem kutatói klímaadatokat gyűjtöttek és modellt tervezett célja, hogy részletes térképeket készítsen a nedvességszintekről 12 nyugati államban, beleértve a Csendes-óceán partjának államait, Texast, Wyomingot, Montanát és a délnyugati államokat. A kutatók szerint bár a modell még fejlesztés alatt áll, már képes felfedni azokat az erdőtüzveszélyes területeket, ahol szokatlanul száraz a táj.

A célterület üzemanyag- és nedvességszintjére vonatkozó adatgyűjtés tipikus módszere a kiszáradt növényzet és a nedvesebb növényzet gondos összehasonlítása. Pontosabban, a kutatók növényzetmintákat gyűjtenek a fákról, és lemérik őket. Ezt követően a vegetációs mintákat kiszárítják és újramérik. Összehasonlítást végeznek a száraz minták és a nedves minták tömege között, hogy meghatározzák a növényzet nedvességtartalmát. Ez a folyamat egy hosszú, összetett folyamat, amely csak bizonyos területeken és bizonyos növényfajok esetében életképes. A folyamat évtizedei során összegyűjtött adatokat azonban felhasználták a több mint 200,000 XNUMX rekordot tartalmazó Nemzeti Üzemanyag-nedvesség-adatbázis létrehozásához. Egy régió tüzelőanyag-nedvesség-tartalma köztudottan összefügg az erdőtüzek kockázatával, bár még mindig nem ismert, hogy mekkora szerepet játszik az ökoszisztémák között és az egyik növényről a többi növényre.

Krishna Rao, a Stanfordi Földrendszer-tudomány doktorandusza volt az új tanulmány vezető szerzője, és Rao elmagyarázta a Futuritynek, hogy a gépi tanulás lehetővé teszi a kutatóknak, hogy teszteljék az élő üzemanyag nedvessége és az időjárás közötti összefüggésekre vonatkozó feltételezéseket a különböző ökoszisztémák esetében. Rao és munkatársai egy visszatérő neurális hálózati modellt képeztek ki a National Fuel Moisture Database adatai alapján. A modellt ezután úgy tesztelték, hogy az űrérzékelők által gyűjtött mérések alapján megbecsülték az üzemanyag nedvességtartalmát. Az adatok között szerepeltek a szintetikus apertúra radar (SAR) jelei, amely mikrohullámú radarjelek, amelyek a felszínig hatolnak, és a bolygó felszínéről visszaverődő látható fény. A modell képzési és validálási adatai az Egyesült Államok nyugati részének körülbelül 240 helyszínére vonatkozó három év adataiból álltak, 2015-től kezdődően.

A kutatók különféle típusú talajborításokat vizsgáltak, beleértve a ritka növényzetet, gyepeket, cserjéket, tűlevelű örökzöld erdőket és széles levelű lombhullató erdőket. A modell előrejelzései voltak a legpontosabbak, a legmegbízhatóbban megegyeztek az NFMD méréssel a cserjés területeken. Ez szerencsés, mivel az Egyesült Államok nyugati részén található ökoszisztémák körülbelül 45%-át cserjések teszik ki. A cserjések, különösen a chaparral cserjések, gyakran egyedülállóan érzékenyek a tűzre, amint az az elmúlt években Kaliforniában égett számos tűznél is látható.

A modell által generált előrejelzéseket felhasználták a létrehozáshoz interaktív térképet amelyet a tűzvédelmi ügynökségek egy napon felhasználhatnak a régiók tűzvédelmi prioritásainak meghatározására és más releváns minták felismerésére. A kutatók úgy vélik, hogy továbbképzéssel és finomítással a modell képes lenne.

Ahogy Alexandra Konings, a Stanfordi Földrendszer-tudomány adjunktusa, elmagyarázta a Futuritynek:

„A térképek elkészítése volt az első lépés annak megértésében, hogy ezek az új üzemanyag-nedvesség-adatok hogyan befolyásolhatják a tűzveszélyt és az előrejelzéseket. Most igyekszünk megtalálni a legjobb módszereket a tűz előrejelzésére.”