산림의 건조도에 대한 AI 모델을 사용하여 야생화재 예측

스坦포드 대학의 연구자들이 설계한 새로운 딥 러닝 모델은 12개 주의 습도 수준을 활용하여 야생화재의 예측과 화재 관리 팀이 잠재적으로 파괴적인 야생화재를 예방하기 위한 예방 조치를 취하는 것을 지원하기 위해 개발되었습니다.

화재 관리 팀은 가장 심각한 화재가 발생할 수 있는 지역을 예측하여 예방 조치인 예방적 소각을 수행할 수 있도록 합니다. 야생화재의 발생 지점과 확산 패턴을 예측하려면 목표 지역의 연료 양과 습도 수준에 대한 정보가 필요합니다. 이러한 데이터를 수집하고 분석하여 화재 관리 팀에게 유용한 속도로 처리하는 것은 어렵지만 딥 러닝 모델은 이러한 중요한 프로세스를 자동화하는 데 도움이 될 수 있습니다.

Futurity가 최근 보고한 바와 같이, 스탠퍼드 대학의 연구자들은 기후 데이터를 수집하고 모델을 설계하여 12개 서부 주,包括 태평양 연안 주, 텍사스, 와이오밍, 몬타나 및 남서부 주를 포함한 지역의 습도 수준에 대한 자세한 지도を作成했습니다. 연구자에 따르면 모델은 아직 개선 중이지만 이미 비상대기 지역에서 이상적으로 건조한 풍경을 보여주는 데 이미 능숙합니다.

연료와 습도 수준에 대한 데이터를 수집하는 일반적인 방법은 건조된 식물과 더 촉촉한 식물을 비교하는 것입니다. 구체적으로, 연구자들은 나무에서 식물 샘플을 수집하고 무게를 측정합니다. 이후 식물 샘플을 건조하고 다시 무게를 측정합니다. 건조된 샘플의 무게와 젖은 샘플의 무게를 비교하여 식물의 습도 함량을 결정합니다. 이 프로세스는 오래 걸리고 복잡하며 특정 지역과 식물 종에만 적용할 수 있습니다. 그러나 이 프로세스에서 수집된 데이터는 20만 개가 넘는 기록으로 구성된 국가 연료 습도 데이터베이스를 생성하는 데 사용되었습니다. 지역의 연료 습도 함량은 야생화재의 위험성과 관련이 있지만 생태계와 식물 간의 역할을 얼마나 하는지 여부는 아직 알려지지 않았습니다.

스坦포드 대학의 지구 시스템 과학 박사 과정 학생인 크리슈나 라오(Krishna Rao)는 새로운 연구의 주요 저자였으며, 라오는 머신 러닝이 연구자들이 다양한 생태계에서 생체 연료 습도와 날씨 간의 링크에 대한 가설을 테스트하는 데 도움이 된다고 Futurity에 설명했습니다. 라오와 동료 연구자들은 재생 신경망 모델을 국가 연료 습도 데이터베이스의 데이터에 대해 훈련했습니다. 모델은 이후 우주 센서에서 수집된 측정값을 기반으로 연료 습도 수준을 추정하는 데 사용되었습니다. 데이터에는 지구 표면에 침투하는 마이크로파 레이더 신호인 합성 개구 레이더(SAR) 신호와 지구 표면에서 반사되는 가시광선이 포함되었습니다. 모델의 훈련 및 검증 데이터는 2015년부터 시작하여 약 3년 동안 미국 서부 약 240개 사이트의 데이터로 구성되었습니다.

연구자들은 희박한 식생, 초원, 관목지,针叶常绿림, 및 광엽落葉림을 포함한 다양한 토지 피복 유형에 대한 분석을 수행했습니다. 모델의 예측은 관목지 지역에서 가장 정확했으며 NFMD 측정값과 가장 일치했습니다. 이는幸運なことです. 관목지는 미국 서부의 생태계 중 약 45%를 차지하며, 특히 차파랠(shrubland) 관목지는 최근 몇 년 동안 캘리포니아에서 발생한 많은 화재에서 볼 수 있듯이 화재에 취약합니다.

모델이 생성한 예측은 화재 관리 기관이 향후 화재 제어를 위해 우선순위를 지정하고 다른 관련 패턴을 식별할 수 있는 대화형 지도를 생성하는 데 사용되었습니다. 연구자들은 모델을さらに 훈련하고 개선하면

스탄포드 대학의 지구 시스템 과학 조교수인 알렉산드라 코니그스(Alexandra Konings)는 Futurity에 설명했듯이,

“이 지도を作成하는 것이 이 새로운 연료 습도 데이터가 화재 위험성과 예측에 어떻게 영향을 미칠 수 있는지 이해하는 첫 번째 단계였습니다. 이제 우리는 화재 예측을 개선하기 위해 이를 사용하는 가장好的 방법을本当に 찾아내고 있습니다.”