Modelo de IA usado para mapear a secura das florestas e prever incêndios

Um novo modelo de aprendizado profundo projetado por pesquisadores da Universidade de Stanford utiliza níveis de umidade em 12 estados diferentes para ajudar na previsão de incêndios e auxiliar as equipes de gerenciamento de incêndios a antecipar incêndios potencialmente destrutivos.

As equipes de gerenciamento de incêndios visam prever onde os incêndios mais graves podem ocorrer, para que medidas preventivas, como queimadas prescritas, possam ser realizadas. Prever os pontos de origem e padrões de propagação de incêndios exige informações sobre a quantidade de combustível e níveis de umidade da região-alvo. Coletar esses dados e analisá-los à velocidade necessária para ser útil às equipes de gerenciamento de incêndios é difícil, mas os modelos de aprendizado profundo podem ajudar a automatizar esses processos críticos.

Como a Futurity relatou recentemente, pesquisadores da Universidade de Stanford coletaram dados climáticos e projetaram um modelo destinado a criar mapas detalhados de níveis de umidade em 12 estados do oeste, incluindo os estados da costa do Pacífico, Texas, Wyoming, Montana e os estados do sudoeste. De acordo com os pesquisadores, embora o modelo ainda esteja sendo aprimorado, ele já é capaz de revelar áreas de alto risco para incêndios florestais onde a paisagem é excepcionalmente seca.

O método típico de coletar dados sobre níveis de umidade e combustível para uma região-alvo é comparar vegetação seca com vegetação mais úmida. Especificamente, os pesquisadores coletam amostras de vegetação de árvores e as pesam. Em seguida, as amostras de vegetação são secas e reponderadas. Comparações são feitas entre o peso das amostras secas e das amostras úmidas para determinar a quantidade de umidade na vegetação. Esse processo é longo e complexo e é viável apenas em certas áreas e para algumas espécies de vegetação. No entanto, os dados coletados décadas a fio por meio desse processo foram usados para criar o Banco de Dados Nacional de Umidade de Combustível, que compreende mais de 200.000 registros. O teor de umidade de combustível de uma região é bem conhecido por estar ligado ao risco de incêndio, embora ainda não seja conhecido exatamente qual papel ele desempenha entre ecossistemas e de uma planta para outra.

Krishna Rao, estudante de doutorado em ciências de sistemas terrestres da Universidade de Stanford, foi o autor principal do novo estudo e explicou à Futurity que o aprendizado de máquina fornece aos pesquisadores a capacidade de testar suposições sobre ligações entre a umidade de combustível vivo e o clima para diferentes ecossistemas. Rao e seus colegas treinaram um modelo de rede neural recorrente com dados do Banco de Dados Nacional de Umidade de Combustível. Em seguida, o modelo foi testado estimando níveis de umidade de combustível com base em medições coletadas por sensores espaciais. Os dados incluíam sinais de radar de abertura sintética (SAR), que são sinais de radar de micro-ondas que penetraram na superfície, e luz visível que ricocheteia na superfície do planeta. Os dados de treinamento e validação para o modelo consistiram em três anos de dados para aproximadamente 240 locais em todo o oeste dos EUA, começando em 2015.

Os pesquisadores realizaram análises em vários tipos de cobertura de terra, incluindo vegetação rala, pastagens, matos, florestas de coníferas perenes e florestas decíduas de folhas largas. As previsões do modelo foram as mais precisas e mais confiavelmente correspondiam às medições do NFMD, nas regiões de matos. Isso é afortunado, pois os matos compreendem aproximadamente 45% dos ecossistemas encontrados no oeste dos EUA. Os matos, particularmente os matos de chaparral, são frequentemente únicos e suscetíveis ao fogo, como visto em muitos incêndios que queimaram na Califórnia nos últimos anos.

As previsões geradas pelo modelo foram usadas para criar um mapa interativo que as agências de gerenciamento de incêndios podem usar um dia para priorizar regiões para controle de incêndios e discernir outros padrões relevantes. Os pesquisadores acreditam que, com mais treinamento e aprimoramento, o modelo possa.

Como Alexandra Konings, professora assistente de ciências de sistemas terrestres da Universidade de Stanford, explicou à Futurity:

“Criar esses mapas foi o primeiro passo para entender como esses novos dados de umidade de combustível podem afetar o risco e as previsões de incêndio. Agora estamos tentando realmente definir as melhores maneiras de usá-los para melhorar a previsão de incêndio.”