인공지능 모델을 이용한 산림 건조도 매핑 및 산불 예측

스탠퍼드 대학교의 연구자들이 설계한 새로운 딥 러닝 모델은 12개 주의 습도 수준을 활용하여 산불 예측을 지원하고 화재 관리 팀이 파괴적인 산불을 예방하기 위해 필요한 조치를 취할 수 있도록 도와줍니다.

화재 관리 팀은 가장 심한 화재가 발생할 가능성이 있는 지역을 예측하여 예방 조치인 예방적 화재를 수행할 수 있도록 합니다. 산불의 발생 지점과 확산 패턴을 예측하려면 목표 지역의 연료 양과 습도 수준에 대한 정보가 필요합니다. 이러한 데이터를 수집하고 화재 관리 팀에게 유용한 속도로 분석하는 것은 어려운 일이지만, 딥 러닝 모델은 이러한 중요한 프로세스를 자동화하는 데 도움이 될 수 있습니다.

Futurity에 최근 보고된 바와 같이, 스탠퍼드 대학교의 연구자들은 기후 데이터를 수집하고 모델을 설계하여 12개 서부 주,包括 태평양 연안 주, 텍사스, 와이오밍, 몬타나, 남서부 주를 포함한 지역의 습도 수준에 대한詳細한 지도を作成했습니다. 연구자에 따르면, 모델은 아직 개선 중이지만 이미 산불에 취약한 지역을 드러내는 데 성공했습니다.

일반적으로 연료 및 습도 수준에 대한 데이터를 수집하는 방법은 건조한 식물과 더 촉촉한 식물을 비교하는 것입니다. 구체적으로, 연구자들은 나무에서 식물 샘플을 수집하고 그 무게를 측정합니다. 그런 다음 식물 샘플을 건조하고 다시 무게를 측정합니다. 건조 샘플과 촉촉한 샘플의 무게를 비교하여 식물의 습도 수준을 결정합니다. 이 과정은 길고 복잡하며 특정 지역과 일부 식물 종에만 적용할 수 있습니다. 그러나 수십 년 동안 수집된 데이터는 국립 연료 습도 데이터베이스를 생성하는 데 사용되었으며, 20만 개 이상의 레코드로 구성되어 있습니다. 연료-습도 수준은 산불 위험과 관련이 있지만, 생태계와 식물 간의 역할은 아직 알려지지 않았습니다.

스탠퍼드 대학교의 지구 시스템 과학 박사 과정 학생인 크리슈나 라오(Krishna Rao)는 새로운 연구의 주요 저자였으며, 라오는 Futurity에 기계 학습이 다양한 생태계에서 생체 연료 습도와 날씨 간의 링크에 대한 가정을 테스트하는 데 연구자들에게 능력을 제공한다고 설명했습니다. 라오와 동료들은 국립 연료 습도 데이터베이스의 데이터를 사용하여 재귀 신경망 모델을 훈련했습니다. 모델은 공간 센서에서 측정된 연료 습도 수준을 추정하여 테스트되었습니다. 데이터에는 마이크로파 레이더 신호인 합성 개구 레이더(SAR)와 지구 표면에서 반사되는 가시광선이 포함되었습니다. 모델의 훈련 및 검증 데이터는 2015년부터 시작하여 약 3년 동안 미국 서부 지역의 240개 이상의 사이트에서 수집된 데이터로 구성되었습니다.

연구자들은疏林, 초원, 관목지, 침엽수림, 광엽落葉수림을 포함한 다양한 유형의 토지 피복을 분석했습니다. 모델의 예측은 관목지 지역에서 가장 정확하게 일치했습니다. 이는幸運なことであり, 관목지는 미국 서부의 생태계 중 약 45%를 차지합니다. 관목지, 특히 차파랄 관목지는 최근 몇 년 동안 캘리포니아에서 발생한 많은 화재에서 볼 수 있듯이 화재에 취약합니다.

모델에 의해 생성된 예측은 화재 관리 기관이 화재 통제를 위해 지역을 우선순위로 지정하고 다른 관련 패턴을 식별할 수 있는 대화형 맵을 생성하는 데 사용되었습니다. 연구자들은 모델이 더 많은 훈련과 개선으로 개선될 수 있다고 믿습니다.

스탠퍼드 대학교의 지구 시스템 과학 조교수인 알렉산드라 코닝스(Alexandra Konings)는 Futurity에 설명했습니다.

“이러한 지도を作成하는 것은 새 연료 습도 데이터가 화재 위험과 예측에 미치는 영향에 대한 이해의 첫 번째 단계였습니다. 이제 우리는 화재 예측을 개선하기 위한 방법을本当に 구체적으로 정의하려고 합니다.”