Modelul de inteligență artificială utilizat pentru a cartografia uscăciunea pădurilor și a prevedea incendiile de pădure

Un nou model de învățare profundă, proiectat de cercetători de la Universitatea Stanford, utilizează nivelurile de umiditate din 12 state diferite pentru a ajuta la predicția incendiilor de pădure și a sprijini echipajele de gestionare a incendiilor să preîntâmpine incendiile de pădure potențial devastatoare.

Echipajele de gestionare a incendiilor își propun să prevadă unde pot apărea incendiile de pădure cele mai grave, astfel încât să poată fi luate măsuri preventive, cum ar fi arderea controlată. Pentru a prevedea punctele de origine și modurile de răspândire a incendiilor de pădure, este necesară informația cu privire la cantitatea de combustibil și nivelurile de umiditate din regiunea țintă. Colectarea și analiza acestor date la viteza necesară pentru a fi utile echipajelor de gestionare a incendiilor de pădure este dificilă, dar modelele de învățare profundă pot ajuta la automatizarea acestor procese critice.

După cum a raportat recent Futurity, cercetătorii de la Universitatea Stanford au colectat date climatice și au proiectat un model destinat să genereze hărți detaliate ale nivelurilor de umiditate din 12 state din vest, inclusiv statele de pe coasta Pacificului, Texas, Wyoming, Montana și statele din sud-vest. Conform cercetătorilor, deși modelul este încă în curs de perfecționare, el este deja capabil să reveleze zonele cu risc ridicat de incendiu de pădure, unde peisajul este neobișnuit de uscat.

Metoda obișnuită de colectare a datelor cu privire la nivelurile de umiditate și combustibil dintr-o regiune țintă constă în compararea atentă a vegetației uscate cu cea mai umedă. În mod specific, cercetătorii colectează mostre de vegetație de la arbori și le cântăresc. Ulterior, mostrele de vegetație sunt uscate și recântărite. Se fac comparații între greutatea mostrelor uscate și a celor umede pentru a determina cantitatea de umiditate din vegetație. Acest proces este lung și complex și este viabil doar în anumite zone și pentru anumite specii de vegetație. Cu toate acestea, datele colectate din deceniile de astfel de procese au fost utilizate pentru a crea Baza Națională de Date privind Umiditatea Combustibilului, care cuprinde peste 200.000 de înregistrări. Conținutul de umiditate al combustibilului dintr-o regiune este bine cunoscut a fi legat de riscul de incendiu de pădure, deși nu se știe încă cât de important este acest factor între ecosisteme și de la o plantă la alta.

Krishna Rao, student doctorand în științe ale sistemelor terestre la Stanford, a fost autorul principal al noului studiu și a explicat pentru Futurity că învățarea automată oferă cercetătorilor posibilitatea de a testa ipotezele cu privire la legăturile dintre umiditatea combustibilului viu și vreme pentru diferite ecosisteme. Rao și colegii săi au antrenat un model de rețea neuronală recurentă pe date din Baza Națională de Date privind Umiditatea Combustibilului. Modelul a fost apoi testat prin estimarea nivelurilor de umiditate a combustibilului pe baza măsurătorilor colectate de senzori spațiali. Datele au inclus semnale de la radarul sintetic de deschidere (SAR), care sunt semnale de radar cu microunde care pătrund până la suprafață, și lumină vizibilă care ricoșează de pe suprafața planetei. Datele de antrenament și validare pentru model au constat în trei ani de date pentru aproximativ 240 de site-uri din vestul Statelor Unite, începând cu 2015.

Cercetătorii au efectuat analize pe diverse tipuri de acoperire a terenului, inclusiv vegetație rară, pășuni, tufărișuri, păduri de conifere și păduri de foioase. Previziunile modelului au fost cele mai precise și au corespuns cel mai bine cu măsurătorile NFMD în regiunile de tufăriș. Acest lucru este norocos, deoarece tufărișurile reprezintă aproximativ 45% din ecosistemele găsite în vestul Statelor Unite. Tufărișurile, în special tufărișurile de chaparral, sunt adesea unice și sensibile la incendii, așa cum s-a văzut în multe incendii care au ars în California în ultimii ani.

Previziunile generate de model au fost utilizate pentru a crea o hartă interactivă pe care agențiile de gestionare a incendiilor de pădure ar putea s-o utilizeze într-o zi pentru a prioritiza regiunile pentru controlul incendiilor și a discerne alte tipare relevante. Cercetătorii cred că, cu o antrenare și o perfecționare suplimentară, modelul ar putea.

După cum a explicat Alexandra Konings, profesor asistent de științe ale sistemelor terestre la Stanford, pentru Futurity:

„Crearea acestor hărți a fost primul pas în înțelegerea modului în care aceste noi date privind umiditatea combustibilului ar putea afecta riscul și previziunile incendiilor de pădure. Acum încercăm să stabilim cu adevărat cele mai bune moduri de a le utiliza pentru o previziune îmbunătățită a incendiilor de pădure.”