AI モデルを使用して森林の乾燥度をマッピングし、山火事の予測を行う

スタンフォード大学の研究者によって設計された新しい深層学習モデルは、12 の異なる州の湿度レベルを活用して山火事の予測を支援し、潜在的に破壊的な山火事に防火管理チームが先手を打つのを支援します。

消防管理チームは、規定の火傷などの予防措置を実行できるように、最悪の火災が発生する可能性のある場所を予測することを目指しています。 山火事の発生地と拡大パターンを予測するには、対象地域の燃料量と水分レベルに関する情報が必要です。 このデータを収集し、山火事管理チームに役立つよう必要な速度で分析することは困難ですが、深層学習モデルはこれらの重要なプロセスの自動化に役立つ可能性があります。

Futurityが最近報じたように、スタンフォード大学の研究者は気候データを収集し、 モデルをデザインした 太平洋岸の州、テキサス州、ワイオミング州、モンタナ州、南西部の州を含む西部 12 州の湿度レベルの詳細な地図を作成することを目的としています。 研究者らによると、このモデルはまだ改良中だが、異常に乾燥した地形で森林火災の危険性が高い地域を明らかにすることはすでに可能だという。

対象地域の燃料と水分レベルに関するデータを収集する一般的な方法は、乾燥した植生とより湿った植生を丹念に比較することです。 具体的には、研究者は樹木から植生サンプルを収集し、重量を量ります。 その後、植物サンプルを乾燥させ、再重量を測定します。 乾燥したサンプルと湿ったサンプルの重量を比較して、植物内の水分の量を決定します。 このプロセスは長く複雑なプロセスであり、特定の地域および一部の種類の植生でのみ実行可能です。 ただし、数十年にわたるこのプロセスから収集されたデータは、200,000 件を超える記録で構成される国家燃料水分データベースの作成に使用されています。 地域の燃料水分含有量が山火事のリスクに関連していることはよく知られていますが、それが生態系間およびある植物から他の植物へとどの程度の役割を果たしているかはまだ不明です。

スタンフォード大学の地球システム科学の博士課程学生であるクリシュナ・ラオが筆頭著者または新しい研究であり、ラオはFuturityに対し、機械学習によって研究者はさまざまな生態系における生きた燃料の水分と天候との関連性についての仮定をテストできると説明した。 Rao らは、国立燃料水分データベースからのデータに基づいてリカレント ニューラル ネットワーク モデルをトレーニングしました。次に、空間センサーによって収集された測定値に基づいて燃料の水分レベルを推定することにより、モデルがテストされました。データには、地表に到達するマイクロ波レーダー信号である合成開口レーダー (SAR) からの信号と、惑星の表面で反射する可視光が含まれていました。モデルのトレーニングおよび検証データは、240 年から始まる米国西部の約 2015 施設の XNUMX 年間のデータで構成されています。

研究者らは、まばらな植生、草原、低木地帯、常緑針葉樹林、落葉広葉樹林など、さまざまな種類の土地被覆率について分析を実行しました。 低木地帯では、モデルの予測が最も正確で、NFMD 測定と最も確実に一致しました。 米国西部全域で見られる生態系の約 45% が低木地帯で構成されているため、これは幸運です。 近年カリフォルニア全土で発生した火災の多くに見られるように、低木地、特にチャパラル低木地は火災の影響を受けやすいことがよくあります。

モデルによって生成された予測は、 インタラクティブな地図 消防管理機関は、いつかこの情報を利用して、防火対象地域に優先順位を付けたり、その他の関連パターンを識別したりできるようになるでしょう。 研究者らは、モデルをさらにトレーニングして改良すれば可能になると考えています。

スタンフォード大学地球システム科学助教授アレクサンドラ・コーニングス氏はこう語る。 フューチュリティに次のように説明しました。

「これらのマップの作成は、この新しい燃料水分データが火災の危険性と予測にどのような影響を与えるかを理解するための第一歩でした。 現在、私たちは火災予測を改善するためにそれを使用する最良の方法を突き止めようとしています。」