Model AI wykorzystywany do mapowania suchości 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 zarządzające pożarami w zapobieganiu potencjalnie destrukcyjnym pożarom.

Zespoły zarządzające pożarami starają się przewidzieć, gdzie mogą wystąpić najgorsze pożary, aby można było przeprowadzić zapobiegawcze działania, 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 z wymaganą szybkością, aby były przydatne dla zespołów zarządzających pożarami, jest trudne, ale modele głębokiego uczenia się mogą pomóc w zautomatyzowaniu tych krytycznych procesów.

Jak donosił niedawno 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 Pacyfiku, Teksasie, Wyoming, Montanie i stanach południowo-zachodnich. Zgodnie z oświadczeniami badaczy, chociaż model jest jeszcze w trakcie doskonalenia, 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 roślinności z bardziej wilgotną roślinnością. Konkretnie, badacze zbierają próbki roślinności z drzew i ważą je. Następnie próbki roślinności są wysuszane i ponownie ważone. Porównania są dokonywane między wagą suchych próbek a wilgotnymi próbkami, aby określić ilość wilgotności w roślinności. Ten proces jest długi i złożony, a także jest tylko wykonalny w niektórych obszarach i dla niektórych gatunków roślinności. Niemniej jednak, dane zebrane z dziesięcioleci tego procesu zostały wykorzystane do stworzenia Krajowej Bazy Danych Wilgotności Paliwa, składającej się z ponad 200 000 rekordów. Poziom wilgotności paliwa w regionie jest dobrze znany ze swojego związku z ryzykiem pożarów, chociaż nadal nie jest znany dokładny udział, jaki odgrywa on między ekosystemami i między różnymi roślinami.

Krishna Rao, doktorant 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 powiązań między wilgotnością żywych paliw a pogodą w różnych ekosystemach. Rao i jego koledzy przeszkolili model sieci neuronowej na danych z Krajowej 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 radarem, 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 stanowisk w zachodnich Stanach Zjednoczonych, rozpoczynających się w 2015 roku.

Badacze przeprowadzili analizy na różnych typach pokrycia terenu, w tym rzadkiej roślinności, trawiastych obszarach, krzewiastych obszarach, iglastych lasach i liściastych lasach. Przewidywania modelu były najbardziej dokładne i najbardziej wiernie odpowiadały pomiarom NFMD w regionach krzewiastych. Jest to szczęśliwe, ponieważ krzewiaste obszary stanowią około 45% ekosystemów występujących na zachodzie Stanów Zjednoczonych. Krzewiaste obszary, w szczególności chaparral, są często wyjątkowo podatne na pożary, jak 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 zarządzające pożarami mogą kiedyś wykorzystać do ustalenia priorytetów regionów dla kontroli pożarów i rozpoznania innych istotnych wzorców. Badacze uważają, że po dalszym szkoleniu i udoskonaleniu modelu można będzie.

Jak wyjaśniła Alexandra Konings, asystentka profesora nauk o Ziemi na Uniwersytecie Stanforda, 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 ustalić najlepsze sposoby wykorzystania ich do poprawy przewidywań pożarów.”