Model AI wykorzystywany do mapowania wilgotności lasów i przewidywania pożarów

Nowy model głębokiego uczenia się opracowany przez badaczy z Uniwersytetu Stanforda wykorzystuje poziomy wilgotności w 12 różnych stanach, aby pomóc w przewidywaniu pożarów i wspomóc zespoły zarządzania pożarami w zapobieganiu potencjalnie destrukcyjnym pożarom.

Zespoły zarządzania pożarami starają się przewidzieć, gdzie mogą wystąpić najgorsze pożary, aby podjąć zapobiegawcze środki, takie jak kontrolowane spalanie. Przewidywanie punktów pochodzenia i rozprzestrzeniania się pożarów wymaga informacji o ilości paliwa i poziomach wilgotności w danym regionie. Zebranie tych danych i analiza ich w szybkości wymaganej do tego, aby były przydatne zespołom zarządzania pożarami, jest trudna, ale modele głębokiego uczenia się mogą pomóc w zautomatyzowaniu tych krytycznych procesów.

Jak donosi Futurity, badacze z Uniwersytetu Stanforda zebrali dane klimatyczne i opracowali model, który ma na celu stworzenie szczegółowych map poziomów wilgotności w 12 zachodnich stanach, w tym stanach nadbrzeżnych, Teksasie, Wyoming, Montanie i stanach południowo-zachodnich. Zgodnie z oświadczeniami badaczy, chociaż model jest nadal dopracowywany, jest już w stanie ujawniać obszary o wysokim ryzyku pożarów, gdzie krajobraz jest niezwykle suchy.

Typowy sposób zbierania danych dotyczących poziomów paliwa i wilgotności w danym regionie polega na starannym porównywaniu wysuszonych roślin z wilgotnymi. Konkretnie, badacze zbierają próbki roślin z drzew i ważą je. Następnie próbki roślin są wysuszane i ponownie ważone. Porównania są wykonywane między wagą suchych próbek a mokrych próbek, aby określić ilość wilgotności w roślinach. Ten proces jest długi i złożony, i jest możliwy tylko w niektórych obszarach i dla niektórych gatunków roślin. Niemniej jednak, dane zebrane z dziesięcioleci tego procesu zostały wykorzystane do stworzenia Narodowej Bazy Danych Wilgotności Paliwa, składającej się z ponad 200 000 rekordów. Poziom wilgotności paliwa w regionie jest dobrze znany, aby być powiązany z ryzykiem pożarów, chociaż nadal nie jest znany, jaka jest dokładnie rola, jaką odgrywa w ekosystemach i między roślinami.

Krishna Rao, student doktorancki w dziedzinie nauk o Ziemi na Uniwersytecie Stanforda, był głównym autorem nowego badania, a Rao wyjaśnił Futurity, że uczenie maszynowe daje badaczom możliwość testowania założeń dotyczących połączeń między wilgotnością żywych paliw a pogodą w różnych ekosystemach. Rao i jego koledzy przeszkolili model sieci neuronowej na danych z Narodowej Bazy Danych Wilgotności Paliwa. Następnie model został przetestowany przez oszacowanie poziomów wilgotności paliwa na podstawie pomiarów zebranych przez czujniki kosmiczne. Dane obejmowały sygnały z syntetycznego radaru aperturowego (SAR), który jest mikrofalowym sygnałem radarowym, który przenika do powierzchni, oraz światło widzialne odbite od powierzchni Ziemi. Dane szkoleniowe i walidacyjne dla modelu składały się z trzech lat danych dla około 240 miejsc w zachodnich Stanach Zjednoczonych, rozpoczynających się w 2015 roku.

Badacze przeprowadzili analizy na różnych typach pokrycia terenu, w tym rzadkiej roślinności, łąk, krzewów, iglastych lasów i liściastych lasów. Przewidywania modelu były najbardziej dokładne i najbardziej wiernie odpowiadały pomiarom NFMD w regionach krzewów. Jest to szczęśliwe, ponieważ krzewy stanowią około 45% ekosystemów występujących na zachodzie Stanów Zjednoczonych. Krzewy, w szczególności krzewy chaparral, są często unikalnie podatne na pożary, jak to można było zaobserwować w wielu pożarach, które szalały w Kalifornii w ostatnich latach.

Przewidywania wygenerowane przez model zostały wykorzystane do stworzenia interaktywnej mapy, którą agencje zarządzania pożarami mogą kiedyś wykorzystać do priorytetowego traktowania regionów pod kątem kontroli pożarów i rozpoznania innych istotnych wzorców. Badacze uważają, że po dalszym szkoleniu i udoskonaleniu model mógłby.

Jak Alexandra Konings, adiunkt nauk o Ziemi na Uniwersytecie Stanforda, wyjaśniła Futurity:

„Stworzenie tych map było pierwszym krokiem w zrozumieniu, jak nowe dane dotyczące wilgotności paliwa mogą wpłynąć na ryzyko pożarów i przewidywania. Teraz próbujemy naprawdę określić najlepsze sposoby wykorzystania ich do poprawy przewidywań pożarów.”