Model AI Digunakan untuk Membuat Peta Kekeringan Hutan, Prediksi Kebakaran Hutan

Sebuah model pembelajaran dalam yang dirancang oleh peneliti dari Universitas Stanford menggunakan tingkat kelembaban di 12 negara bagian untuk membantu memprediksi kebakaran hutan dan membantu tim manajemen kebakaran untuk mengantisipasi kebakaran yang berpotensi destruktif.

Tim manajemen kebakaran bertujuan untuk memprediksi di mana kebakaran terburuk mungkin terjadi, sehingga tindakan pencegahan seperti pembakaran yang ditentukan dapat dilakukan. Memprediksi titik asal dan pola penyebaran kebakaran hutan memerlukan informasi tentang jumlah bahan bakar dan tingkat kelembaban di daerah target. Mengumpulkan data ini dan menganalisisnya dengan kecepatan yang diperlukan untuk berguna bagi tim manajemen kebakaran sangat sulit, tetapi model pembelajaran dalam dapat membantu mengotomatisasi proses kritis ini.

Seperti yang dilaporkan oleh Futurity baru-baru ini, peneliti dari Universitas Stanford mengumpulkan data iklim dan merancang model yang dimaksudkan untuk membuat peta rinci tingkat kelembaban di 12 negara bagian barat, termasuk negara-negara pesisir Pasifik, Texas, Wyoming, Montana, dan negara-negara barat daya. Menurut peneliti, meskipun model masih dalam proses penyempurnaan, sudah dapat mengungkapkan daerah yang berisiko tinggi kebakaran hutan di mana lanskapnya sangat kering.

Metode umum untuk mengumpulkan data tentang tingkat kelembaban bahan bakar untuk daerah target adalah dengan membandingkan vegetasi yang kering dengan vegetasi yang lebih lembab. Secara khusus, peneliti mengumpulkan sampel vegetasi dari pohon dan menimbangnya. Setelah itu, sampel vegetasi dikeringkan dan ditimbang kembali. Perbandingan dilakukan antara berat sampel kering dan sampel basah untuk menentukan jumlah kelembaban dalam vegetasi. Proses ini panjang dan kompleks, dan hanya dapat dilakukan di beberapa daerah dan untuk beberapa jenis vegetasi. Namun, data yang dikumpulkan dari dekade proses ini telah digunakan untuk membuat Basis Data Kelembaban Bahan Bakar Nasional, yang terdiri dari lebih dari 200.000 catatan. Isi kelembaban bahan bakar di suatu daerah diketahui terkait dengan risiko kebakaran, meskipun masih belum jelas seberapa besar peranannya antara ekosistem dan dari satu tanaman ke tanaman lain.

Krishna Rao, mahasiswa PhD di bidang ilmu sistem bumi di Stanford, adalah penulis utama studi baru ini, dan Rao menjelaskan kepada Futurity bahwa pembelajaran mesin memungkinkan peneliti untuk menguji asumsi tentang kaitan antara kelembaban bahan bakar hidup dan cuaca untuk berbagai ekosistem. Rao dan rekan-rekannya melatih model jaringan saraf berulang pada data dari Basis Data Kelembaban Bahan Bakar Nasional. Model tersebut kemudian diuji dengan memperkirakan tingkat kelembaban bahan bakar berdasarkan pengukuran yang dikumpulkan oleh sensor ruang angkasa. Data tersebut termasuk sinyal dari radar sintetis aperture (SAR), yang merupakan sinyal radar gelombang mikro yang menembus ke permukaan, dan cahaya tampak yang memantul dari permukaan planet. Data pelatihan dan validasi untuk model tersebut terdiri dari tiga tahun data untuk sekitar 240 situs di barat Amerika Serikat, mulai dari tahun 2015.

Peneliti melakukan analisis pada berbagai jenis tutupan lahan, termasuk vegetasi jarang, padang rumput, semak belukar, hutan jarum evergreen, dan hutan deciduous lebar. Prediksi model paling akurat, paling cocok dengan pengukuran NFMD, di daerah semak belukar. Ini sangat beruntung, karena semak belukar mencakup sekitar 45% dari ekosistem yang ditemukan di barat Amerika Serikat. Semak belukar, terutama semak belukar chaparral, sering kali unik rentan terhadap kebakaran, seperti yang terlihat dalam banyak kebakaran yang melanda California selama beberapa tahun terakhir.

Prediksi yang dihasilkan oleh model telah digunakan untuk membuat peta interaktif yang dapat digunakan oleh badan manajemen kebakaran untuk memprioritaskan daerah untuk pengendalian kebakaran dan menentukan pola lain yang relevan. Peneliti percaya bahwa dengan pelatihan dan penyempurnaan lebih lanjut, model dapat.

Menurut Alexandra Konings, asisten profesor ilmu sistem bumi di Stanford, dijelaskan kepada Futurity:

“Membuat peta ini adalah langkah pertama dalam memahami bagaimana data kelembaban bahan bakar baru ini mungkin mempengaruhi risiko kebakaran dan prediksi. Sekarang kita mencoba untuk benar-benar menentukan cara terbaik untuk menggunakannya untuk prediksi kebakaran yang ditingkatkan.”