Модель ИИ, используемая для картографирования сухости лесов и прогнозирования лесных пожаров

Новая модель глубокого обучения, разработанная исследователями из Стэнфордского университета, использует уровни влажности в 12 разных штатах для помощи в прогнозировании лесных пожаров и помощи командам по управлению пожарами в предотвращении потенциально разрушительных лесных пожаров.

Команды по управлению пожарами стремятся предсказать, где могут возникнуть самые сильные пожары, чтобы провести профилактические меры, такие как назначенные сжигания. Для прогнозирования точек возникновения и распространения лесных пожаров необходимы данные о количестве топлива и уровнях влажности в целевом регионе. Сбор и анализ этих данных с необходимой скоростью для того, чтобы быть полезными для команд по управлению пожарами, является сложной задачей, но модели глубокого обучения могут помочь автоматизировать эти важные процессы.

Как недавно сообщило Futurity, исследователи из Стэнфордского университета собрали данные о климате и разработали модель, предназначенную для создания подробных карт уровней влажности в 12 западных штатах, включая штаты Тихоокеанского побережья, Техас, Вайоминг, Монтану и юго-западные штаты. Согласно исследователям, хотя модель еще совершенствуется, она уже может выявлять области с высоким риском лесных пожаров, где ландшафт необычно сухой.

Типичный метод сбора данных о количестве топлива и уровнях влажности в целевом регионе заключается в тщательном сравнении высушенной растительности с более влажной растительностью. Конкретно, исследователи собирают образцы растительности с деревьев и взвешивают их. Затем образцы растительности высушивают и взвешивают снова. Сравнивают вес сухих образцов и влажных образцов, чтобы определить количество влаги в растительности. Этот процесс является длительным и сложным и возможен только в определенных районах и для некоторых видов растительности. Однако данные, собранные за десятилетия этого процесса, были использованы для создания Национальной базы данных влажности топлива, которая включает более 200 000 записей. Содержание влажности топлива в регионе хорошо известно как связанное с риском лесных пожаров, хотя еще не известно, какую роль оно играет между экосистемами и от одного растения к другому.

Кришна Рао, аспирант в области наук о Земле в Стэнфордском университете, был ведущим автором нового исследования, и Рао объяснил Futurity, что машинное обучение дает исследователям возможность проверить предположения о связях между влажностью живого топлива и погодой для разных экосистем. Рао и его коллеги обучили модель рекуррентной нейронной сети на данных из Национальной базы данных влажности топлива. Затем модель была протестирована на оценке уровней влажности топлива на основе измерений, собранных космическими датчиками. Данные включали сигналы от синтетического апертурного радара (САР), которые являются микроволновыми радарными сигналами, проникающими до поверхности, и видимым светом, отраженным от поверхности Земли. Данные для обучения и проверки модели состояли из трех лет данных для примерно 240 объектов в западных штатах США, начиная с 2015 года.

Исследователи провели анализ различных типов покрытия земель, включая скудную растительность, луга, кустарники, хвойные вечнозеленые леса и широколиственные листопадные леса. Прогнозы модели были наиболее точными и надежно соответствовали измерениям НФМД в регионах кустарников. Это удачно, поскольку кустарники составляют примерно 45% экосистем, найденных на западе США. Кустарники, особенно кустарники чапарреля, часто уникально восприимчивы к пожарам, как это видно во многих пожарах, которые произошли в Калифорнии в последние годы.

Прогнозы, сгенерированные моделью, были использованы для создания интерактивной карты, которую команды по управлению пожарами могут однажды использовать для определения приоритетных регионов для контроля пожаров и выявления других важных закономерностей. Исследователи считают, что с дальнейшим обучением и совершенствованием модель может.

Как Александра Конингс, доцент наук о Земле в Стэнфордском университете, объяснила Futurity:

«Создание этих карт было первым шагом в понимании того, как эти новые данные о влажности топлива могут повлиять на риск лесных пожаров и прогнозы. Теперь мы пытаемся действительно определить лучшие способы использования их для улучшения прогнозирования пожаров».