Արհեստական բանականություն
AI մոդելն օգտագործվում է անտառների չորությունը քարտեզագրելու, անտառային հրդեհները կանխատեսելու համար
Սթենֆորդի համալսարանի հետազոտողների կողմից մշակված խորը ուսուցման նոր մոդելը օգտագործում է խոնավության մակարդակը 12 տարբեր նահանգներում, որպեսզի օգնի կանխատեսել անտառային հրդեհները և օգնի հրդեհների կառավարման թիմերին առաջ անցնել պոտենցիալ կործանարար անտառային հրդեհներից:
Հրդեհային կառավարման թիմերը նպատակ ունեն կանխատեսել, թե որտեղ կարող են տեղի ունենալ ամենասարսափելի հրդեհները, որպեսզի հնարավոր լինի կանխարգելիչ միջոցառումներ իրականացնել, ինչպիսիք են սահմանված այրվածքները: Անտառային հրդեհների ծագման կետերի կանխատեսումը և տարածման օրինաչափությունները պահանջում են տեղեկատվություն թիրախային տարածաշրջանի համար վառելիքի քանակի և խոնավության մակարդակի վերաբերյալ: Այս տվյալները հավաքելը և դրանք վերլուծելը այն արագությամբ, որն անհրաժեշտ է անտառային հրդեհների կառավարման թիմերին օգտակար լինելու համար, դժվար է, բայց խորը ուսուցման մոդելները կարող են օգնել ավտոմատացնել այս կարևոր գործընթացները:
Ինչպես վերջերս հայտնել է Futurity-ը, Ստենֆորդի համալսարանի հետազոտողները հավաքել են կլիմայական տվյալներ և նախագծել է մոդել Նախատեսված է տրամադրել խոնավության մակարդակի մանրամասն քարտեզներ արևմտյան 12 նահանգներում, ներառյալ Խաղաղօվկիանոսյան ափի նահանգները, Տեխասը, Վայոմինգը, Մոնտանան և հարավ-արևմտյան նահանգները: Ըստ հետազոտողների, թեև մոդելը դեռ մշակման փուլում է, այն արդեն ի վիճակի է բացահայտել անտառային հրդեհների համար բարձր ռիսկային տարածքներ, որտեղ լանդշաֆտը անսովոր չոր է:
Թիրախային շրջանի համար վառելիքի և խոնավության մակարդակների վերաբերյալ տվյալների հավաքագրման տիպիկ մեթոդը չորացած բուսականությունը ավելի խոնավ բուսականության հետ համադրելն է: Մասնավորապես, հետազոտողները հավաքում են բուսականության նմուշներ ծառերից և կշռում դրանք: Այնուհետև բուսականության նմուշները չորանում և վերակշռվում են: Համեմատություններ են կատարվում չոր և թաց նմուշների քաշի միջև՝ բուսականության խոնավության քանակը որոշելու համար: Այս գործընթացը երկար, բարդ գործընթաց է, որը կենսունակ է միայն որոշակի տարածքներում և բուսականության որոշ տեսակների համար: Այնուամենայնիվ, այս գործընթացի տասնամյակների ընթացքում հավաքագրված տվյալները օգտագործվել են վառելիքի խոնավության ազգային տվյալների բազա ստեղծելու համար, որը բաղկացած է ավելի քան 200,000 գրառումներից: Հայտնի է, որ տարածաշրջանի վառելիքի խոնավության պարունակությունը կապված է անտառային հրդեհների վտանգի հետ, թեև դեռևս հայտնի չէ, թե որքան դեր է այն խաղում էկոհամակարգերի և մեկ բույսից մյուս բույսերի միջև:
Կրիշնա Ռաոն՝ Սթենֆորդի երկրային համակարգերի գիտության ասպիրանտ, գլխավոր հեղինակն էր կամ նոր ուսումնասիրությունը, և Ռաոն Futurity-ին բացատրեց, որ մեքենայական ուսուցումը հետազոտողներին հնարավորություն է տալիս փորձարկել տարբեր էկոհամակարգերի կենդանի վառելիքի խոնավության և եղանակի միջև կապի վերաբերյալ ենթադրությունները: Ռաոն և գործընկերները վերապատրաստել են նեյրոնային ցանցի կրկնվող մոդելը Վառելիքի խոնավության ազգային տվյալների բազայի տվյալների վրա: Այնուհետև մոդելը փորձարկվել է՝ գնահատելով վառելիքի խոնավության մակարդակը՝ տիեզերական սենսորների կողմից հավաքված չափումների հիման վրա: Տվյալները ներառում էին ազդանշաններ սինթետիկ բացվածքի ռադարից (SAR), որը միկրոալիքային ռադարային ազդանշաններ են, որոնք թափանցում են մակերես, և տեսանելի լույս, որը ցատկում է մոլորակի մակերեսից: Մոդելի համար ուսուցման և վավերացման տվյալները բաղկացած էին 240 թվականից սկսած ԱՄՆ արևմտյան մասում գտնվող մոտավորապես 2015 տեղանքների երեք տարվա տվյալներից:
Հետազոտողները վերլուծություններ են կատարել հողերի ծածկույթի տարբեր տեսակների վերաբերյալ, ներառյալ նոսր բուսականությունը, խոտհարքները, թփուտները, ասեղնատերեւային մշտադալար անտառները և լայնատերև սաղարթավոր անտառները: Մոդելի կանխատեսումները ամենաճշգրիտն էին, առավել հուսալիորեն համապատասխանում էին NFMD-ի չափմանը, թփուտային շրջաններում: Սա բախտավոր է, քանի որ թփուտները կազմում են ԱՄՆ-ի արևմուտքում հայտնաբերված էկոհամակարգերի մոտավորապես 45%-ը: Թփերի տարածքները, հատկապես ցամաքային թփուտները, հաճախ եզակիորեն ենթակա են հրդեհի, ինչպես երևում է վերջին տարիներին Կալիֆոռնիայում այրված հրդեհներից շատերում:
Ստեղծելու համար օգտագործվել են մոդելի կողմից ստեղծված կանխատեսումները ինտերակտիվ քարտեզ որ հրդեհների կառավարման գործակալությունները կարող են մի օր օգտագործել՝ հրդեհների վերահսկման համար տարածաշրջանները առաջնահերթություն տալու և այլ համապատասխան օրինաչափություններ հայտնաբերելու համար: Հետազոտողները կարծում են, որ հետագա վերապատրաստման և կատարելագործման դեպքում մոդելը կարող է:
Ինչպես Սթենֆորդի երկրային համակարգերի գիտության ասիստենտ Ալեքսանդրա Կոնինգս է ասում. Futurity-ին բացատրեց.
«Այս քարտեզների ստեղծումը առաջին քայլն էր հասկանալու համար, թե ինչպես վառելիքի խոնավության այս նոր տվյալները կարող են ազդել հրդեհի ռիսկի և կանխատեսումների վրա: Այժմ մենք իսկապես փորձում ենք գտնել այն օգտագործելու լավագույն ուղիները հրդեհների բարելավված կանխատեսման համար»:
