숲의 건조도를 매핑하고 산불을 예측하는 데 사용되는 AI 모델

스탠포드 대학의 연구원들이 설계한 새로운 딥 러닝 모델은 산불 예측을 지원하고 화재 관리 팀이 잠재적으로 파괴적인 산불보다 앞서 나가도록 돕기 위해 12개 주의 수분 수준을 활용합니다.

소방 관리 팀은 처방된 화상과 같은 예방 조치를 수행할 수 있도록 최악의 화재가 발생할 수 있는 위치를 예측하는 것을 목표로 합니다. 산불의 발생 지점과 확산 패턴을 예측하려면 대상 지역의 연료량과 수분 수준에 대한 정보가 필요합니다. 이 데이터를 수집하고 산불 관리 팀에 필요한 속도로 분석하는 것은 어렵지만 딥 러닝 모델은 이러한 중요한 프로세스를 자동화하는 데 도움이 될 수 있습니다.

Futurity가 최근 보고한 바와 같이, 스탠포드 대학의 연구원들은 기후 데이터를 수집하고 모델을 디자인했다 태평양 연안 주, 텍사스, 와이오밍, 몬태나 및 남서부 주를 포함하여 12개 서부 주에 걸친 수분 수준의 상세한 지도를 렌더링하기 위한 것입니다. 연구원들에 따르면, 이 모델은 아직 개선되고 있지만 이미 지형이 비정상적으로 건조한 산불 위험이 높은 지역을 밝힐 수 있습니다.

대상 지역의 연료 및 수분 수준에 관한 데이터를 수집하는 일반적인 방법은 건조된 초목과 더 습한 초목을 열심히 비교하는 것입니다. 특히 연구자들은 나무에서 초목 샘플을 수집하고 무게를 잰다. 그 후, 초목 샘플을 건조시키고 재가중합니다. 초목의 수분량을 결정하기 위해 건조한 샘플과 젖은 샘플의 무게를 비교합니다. 이 과정은 특정 지역과 일부 식생 종에서만 실행 가능한 길고 복잡한 과정입니다. 그러나 이 과정에서 수십 년 동안 수집된 데이터는 200,000개 이상의 레코드로 구성된 National Fuel Moisture Database를 만드는 데 사용되었습니다. 한 지역의 연료-수분 함량은 산불의 위험과 관련이 있는 것으로 잘 알려져 있지만 그것이 생태계 사이에서 그리고 한 식물에서 다른 식물로 얼마나 많은 역할을 하는지는 아직 알려지지 않았습니다.

Stanford의 지구 시스템 과학 박사 과정 학생인 Krishna Rao는 이번 연구의 주 저자이자 새로운 연구였으며, Rao는 기계 학습을 통해 연구원들이 다양한 생태계의 생연료 수분과 날씨 사이의 연관성에 대한 가정을 테스트할 수 있는 능력을 제공한다고 Futurity에 설명했습니다. Rao와 동료들은 국립 연료 수분 데이터베이스의 데이터에 대해 순환 신경망 모델을 훈련했습니다. 그런 다음 우주 센서에서 수집한 측정값을 기반으로 연료 수분 수준을 추정하여 모델을 테스트했습니다. 데이터에는 표면을 관통하는 마이크로파 레이더 신호인 합성 개구 레이더(SAR)의 신호와 행성 표면에서 반사되는 가시광선이 포함되었습니다. 모델의 훈련 및 검증 데이터는 240년부터 미국 서부 전역의 약 2015개 사이트에 대한 XNUMX년간의 데이터로 구성되었습니다.

연구자들은 희박한 식생, 초원, 관목 지대, 바늘잎 상록수림, 활엽수림 등 다양한 유형의 토지피복에 대한 분석을 실시했습니다. 모델의 예측은 관목 지역에서 NFMD 측정과 가장 정확하고 가장 안정적으로 일치했습니다. 관목지가 미국 서부 전역에서 발견되는 생태계의 약 45%를 차지하기 때문에 이는 다행스러운 일입니다. 관목지, 특히 떡갈나무 관목지는 최근 몇 년 동안 캘리포니아 전역에서 발생한 많은 화재에서 볼 수 있듯이 화재에 특히 취약한 경우가 많습니다.

모델에 의해 생성된 예측은 생성하는 데 사용되었습니다. 대화식지도 소방 관리 기관은 언젠가 화재 통제를 위해 지역의 우선 순위를 정하고 다른 관련 패턴을 식별하는 데 사용할 수 있습니다. 연구원들은 추가 교육 및 개선을 통해 모델이 가능할 것이라고 믿습니다.

Stanford의 지구 시스템 과학 조교수인 Alexandra Konings는 Futurity에 다음과 같이 설명했습니다.

“이 지도를 만드는 것은 이 새로운 연료 수분 데이터가 화재 위험 및 예측에 어떤 영향을 미칠 수 있는지 이해하는 첫 번째 단계였습니다. 이제 우리는 개선된 화재 예측을 위해 그것을 사용하는 가장 좋은 방법을 찾으려고 노력하고 있습니다.”