AI-modell brukes til å kartlegge tørheten i skoger og forutsi skogbranner

En ny dyp læring-modell designet av forskere fra Stanford University utnytter fuktighetsnivåer over 12 ulike stater for å hjelpe med å forutsi skogbranner og hjelpe brannledelsesteam med å komme først på potensielt destruktive skogbranner.

Brannledelsesteam har som mål å forutsi hvor de verst brannene kan oppstå, slik at forebyggende tiltak som kontrollerte branner kan utføres. For å forutsi opphavssteder og spredningsmønster for skogbranner, kreves informasjon om mengden brennbart materiale og fuktighetsnivåer i målområdet. Samling av disse dataene og analyse av dem i den hastigheten som er nødvendig for å være nyttig for skogbrannledelsesteam, er vanskelig, men dyp læring-modeller kan hjelpe med å automatisere disse kritiske prosessene.

Som Futurity nylig rapporterte, samlet forskere fra Stanford University klimadata og designet en modell som skulle gi detaljerte kart over fuktighetsnivåer over 12 vestlige stater, inkludert stater langs Stillehavskysten, Texas, Wyoming, Montana og sørvestlige stater. Ifølge forskerne er modellen, selv om den fortsatt er under utvikling, allerede i stand til å avsløre områder med høy risiko for skogbranner hvor landskapet er usedvanlig tørt.

Den vanlige metoden for å samle data om mengden brennbart materiale og fuktighetsnivåer i et målområde, er ved å sammenligne tørket ut vegetasjon med mer fuktig vegetasjon. Spesifikt samler forskere inn vegetasjonsprøver fra trær og veier dem. Deretter tørkes vegetasjonsprøvene ut og veies på nytt. Sammenligninger gjøres mellom vekten av de tørre prøvene og de fuktige prøvene for å bestemme mengden fukt i vegetasjonen. Denne prosessen er lang og komplisert og er bare mulig i visse områder og for visse arter av vegetasjon. Imidlertid har dataene som er samlet inn over flere tiår ved hjelp av denne prosessen, blitt brukt til å lage National Fuel Moisture Database, som består av over 200 000 poster. Fuktighetsinnholdet i et område er godt kjent for å være knyttet til risikoen for skogbranner, selv om det fortsatt er ukjent hvor stor rolle det spiller mellom økosystemer og fra en plante til en annen.

Krishna Rao, PhD-student i jord-systemvitenskap ved Stanford, var hovedforfatter av den nye studien, og Rao forklarte til Futurity at maskinlæring gir forskerne mulighet til å teste antagelser om sammenhenger mellom live fuktighetsnivåer og værforhold for ulike økosystemer. Rao og kolleger trente en rekurrent neural nettverksmodell på data fra National Fuel Moisture Database. Modellen ble deretter testet ved å anslå fuktighetsnivåer basert på målinger samlet inn av romsensorene. Dataene inkluderte signaler fra syntetisk apertur-radar (SAR), som er mikrobølgesignal som trekker seg inn til overflaten, og synlig lys som reflekteres av jordens overflate. Trening- og valideringsdataene for modellen bestod av tre års data for omtrent 240 steder i den vestlige delen av USA, fra 2015.

Forskerne utførte analyser på ulike typer landdekning, inkludert sparsom vegetasjon, gressmarker, buskmarker, nåletrær og løvtrær. Modellens prediksjoner var mest nøyaktige og sammenfalt best med NFMD-målingene, på buskmarker. Dette er heldig, ettersom buskmarker utgjør omtrent 45 % av økosystemene i den vestlige delen av USA. Buskmarker, spesielt chaparral-buskmarker, er ofte unikt sårbare for branner, som vi har sett i mange av brannene som har herjet i California de siste årene.

Prediksjonene generert av modellen har blitt brukt til å lage en interaktiv kart som brannledelsebyråer en dag kan bruke til å prioritere områder for brannkontroll og å påvise andre relevante mønster. Forskerne tror at med ytterligere trening og finjustering kan modellen.

Som Alexandra Konings, assistentprofessor i jord-systemvitenskap ved Stanford, forklarte til Futurity:

“Å lage disse kartene var det første skrittet i å forstå hvordan denne nye fuktighetsdataen kan påvirke brannrisiko og prediksjoner. Nå prøver vi å finne ut de beste måtene å bruke den til å forbedre brannprediksjon.”