Modello di intelligenza artificiale utilizzato per mappare la secchezza delle foreste e prevedere gli incendi boschivi

Un nuovo modello di apprendimento profondo progettato da ricercatori dell’Università di Stanford sfrutta i livelli di umidità in 12 stati diversi per aiutare a prevedere gli incendi boschivi e aiutare le squadre di gestione degli incendi a prevenire incendi potenzialmente distruttivi.

Le squadre di gestione degli incendi cercano di prevedere dove potrebbero verificarsi gli incendi più gravi, in modo da poter eseguire misure preventive come bruciature prescritte. Prevedere i punti di origine e i modelli di propagazione degli incendi boschivi richiede informazioni sui quantitativi di combustibile e sui livelli di umidità della regione bersaglio. Raccogliere questi dati e analizzarli alla velocità necessaria per essere utili alle squadre di gestione degli incendi è difficile, ma i modelli di apprendimento profondo potrebbero aiutare ad automatizzare questi processi critici.

Come ha recentemente riportato Futurity, i ricercatori dell’Università di Stanford hanno raccolto dati climatici e hanno progettato un modello destinato a produrre mappe dettagliate dei livelli di umidità in 12 stati occidentali, tra cui gli stati della costa pacifica, il Texas, il Wyoming, il Montana e gli stati del sud-ovest. Secondo i ricercatori, sebbene il modello sia ancora in fase di raffinamento, è già in grado di rivelare aree ad alto rischio di incendi boschivi dove il paesaggio è insolitamente secco.

Il metodo tradizionale per raccogliere dati sui livelli di umidità e combustibile per una regione bersaglio consiste nel confrontare con cura la vegetazione secca con la vegetazione più umida. In particolare, i ricercatori raccolgono campioni di vegetazione dagli alberi e li pesano. Successivamente, i campioni di vegetazione vengono essiccati e ripesati. Vengono effettuati confronti tra il peso dei campioni secchi e dei campioni umidi per determinare la quantità di umidità nella vegetazione. Questo processo è lungo e complesso e può essere eseguito solo in alcune aree e per alcune specie di vegetazione. Tuttavia, i dati raccolti da decenni di questo processo sono stati utilizzati per creare il National Fuel Moisture Database, composto da oltre 200.000 record. Il contenuto di umidità del combustibile di una regione è noto per essere collegato al rischio di incendi boschivi, sebbene non sia ancora noto esattamente quale ruolo esso svolga tra gli ecosistemi e da una pianta all’altra.

Krishna Rao, studente di dottorato in scienze dei sistemi terrestri a Stanford, è stato l’autore principale del nuovo studio e ha spiegato a Futurity che l’apprendimento automatico consente ai ricercatori di testare ipotesi sui collegamenti tra l’umidità del combustibile vivo e le condizioni meteorologiche per diversi ecosistemi. Rao e i suoi colleghi hanno addestrato un modello di rete neurale ricorrente sui dati del National Fuel Moisture Database. Il modello è stato quindi testato stimando i livelli di umidità del combustibile in base alle misurazioni raccolte da sensori spaziali. I dati includevano segnali del radar a sintesi di apertura (SAR), che sono segnali radar a microonde che penetrano fino alla superficie, e luce visibile che rimbalza sulla superficie del pianeta. I dati di addestramento e convalida del modello consistevano in tre anni di dati per circa 240 siti nella parte occidentale degli Stati Uniti a partire dal 2015.

I ricercatori hanno eseguito analisi su vari tipi di copertura del suolo, tra cui vegetazione rada, praterie, macchie, foreste di conifere sempreverdi e foreste decidue a foglia larga. Le previsioni del modello sono state più accurate e hanno corrisposto più fedelmente alle misurazioni del NFMD, nelle regioni di macchia. Questo è fortunato, poiché le macchie coprono circa il 45% degli ecosistemi trovati nella parte occidentale degli Stati Uniti. Le macchie, in particolare le macchie di chaparral, sono spesso particolarmente sensibili agli incendi, come si è visto in molti degli incendi che hanno devastato la California negli ultimi anni.

Le previsioni generate dal modello sono state utilizzate per creare una mappa interattiva che le agenzie di gestione degli incendi potrebbero un giorno utilizzare per dare priorità alle regioni per il controllo degli incendi e discernere altri modelli rilevanti. I ricercatori ritengono che con ulteriore addestramento e raffinamento il modello potrebbe.

Come ha spiegato Alexandra Konings, professoressa assistente di scienze dei sistemi terrestri a Stanford, a Futurity:

“Creare queste mappe è stato il primo passo per capire come questi nuovi dati sull’umidità del combustibile potrebbero influire sul rischio di incendi e sulle previsioni. Ora stiamo cercando di capire realmente i migliori modi per utilizzarlo per migliorare la previsione degli incendi.”