AI-model gebruikt om droogte van bossen in kaart te brengen en bosbranden te voorspellen

Een nieuwe deep learning-model ontwikkeld door onderzoekers van de Stanford University maakt gebruik van vochtigheidsniveaus in 12 verschillende staten om te helpen bij de voorspelling van bosbranden en om brandweerteams te helpen om potentieel destructieve bosbranden te voorkomen.

Brandweerteams proberen te voorspellen waar de ergste branden kunnen ontstaan, zodat preventieve maatregelen zoals gecontroleerde branden kunnen worden genomen. Het voorspellen van de oorsprong en verspreidingspatronen van bosbranden vereist informatie over brandstofhoeveelheden en vochtigheidsniveaus in het doelgebied. Het verzamelen van deze gegevens en het analyseren ervan met de benodigde snelheid om nuttig te zijn voor bosbrandbeheer is moeilijk, maar deep learning-modellen kunnen helpen bij het automatiseren van deze kritieke processen.

Zoals Futurity onlangs rapporteerde, verzamelden onderzoekers van de Stanford University klimaatgegevens en ontwierpen een model om gedetailleerde kaarten te maken van vochtigheidsniveaus in 12 westelijke staten, waaronder de Pacifische kuststaten, Texas, Wyoming, Montana en de zuidwestelijke staten. Volgens de onderzoekers is het model, hoewel het nog in ontwikkeling is, al in staat om gebieden te onthullen met een hoog risico voor bosbranden waar het landschap ongewoon droog is.

De gebruikelijke methode om gegevens te verzamelen over brandstof- en vochtigheidsniveaus in een doelgebied is door langdurig droge vegetatie te vergelijken met meer vochtige vegetatie. Specifiek verzamelen onderzoekers vegetatiemonsters van bomen en wegen ze. Vervolgens worden de vegetatiemonsters gedroogd en opnieuw gewogen. Vergelijkingen worden gemaakt tussen het gewicht van de droge monsters en de natte monsters om de hoeveelheid vocht in de vegetatie te bepalen. Dit proces is lang en complex en kan alleen in bepaalde gebieden en voor sommige soorten vegetatie worden uitgevoerd. Het verzamelde gegevens uit decennia van dit proces zijn gebruikt om de National Fuel Moisture Database te creëren, die bestaat uit meer dan 200.000 records. De brandstofvochtigheid van een gebied is goed bekend om te zijn gekoppeld aan het risico van bosbranden, hoewel het nog onduidelijk is hoe groot de rol is tussen ecosystemen en van de ene plant naar de andere.

Krishna Rao, PhD-student in aardwetenschappen aan de Stanford University, was de hoofdauteur van de nieuwe studie, en Rao legde aan Futurity uit dat machine learning onderzoekers de mogelijkheid biedt om aannamen over de link tussen levende brandstofvochtigheid en weer voor verschillende ecosystemen te testen. Rao en collega’s trainden een recurrent neural network-model op gegevens uit de National Fuel Moisture Database. Het model werd vervolgens getest door brandstofvochtigheidsniveaus te schatten op basis van metingen verzameld door ruimtesensoren. De gegevens omvatten signalen van synthetische apertuurradar (SAR), die microwave-radar signalen zijn die tot het oppervlak doordringen, en zichtbaar licht dat van het oppervlak van de planeet terugkaatst. De trainings- en validatiegegevens voor het model bestonden uit drie jaar gegevens voor ongeveer 240 locaties in het westen van de VS, vanaf 2015.

De onderzoekers voerden analyses uit op verschillende soorten landbedekking, waaronder schaarse vegetatie, graslanden, struiklanden, naaldloofbossen en breedbladige loofbossen. De voorspellingen van het model waren het meest nauwkeurig en kwamen het meest overeen met de NFMD-meting, in struiklanden. Dit is gunstig, aangezien struiklanden ongeveer 45% van de ecosystemen in het westen van de VS uitmaken. Struiklanden, met name chaparral-struiklanden, zijn vaak uniek gevoelig voor brand, zoals te zien is in veel van de branden die in recente jaren in Californië woedden.

De voorspellingen gegenereerd door het model zijn gebruikt om een interactieve kaart te maken die brandweerteams op een dag kunnen gebruiken om regio’s voor brandbeheer te prioriteren en andere relevante patronen te onderscheiden. De onderzoekers geloven dat met verdere training en verfijning het model nog beter kan worden.

Volgens Alexandra Konings, assistent-professor in aardwetenschappen aan de Stanford University, legde uit aan Futurity:

“Het maken van deze kaarten was de eerste stap in het begrijpen van hoe deze nieuwe brandstofvochtigheidsgegevens het risico van bosbranden en voorspellingen kunnen beïnvloeden. Nu proberen we echt te begrijpen hoe we deze gegevens het beste kunnen gebruiken voor verbeterde bosbrandvoorspelling.”