Модель ИИ используется для картографирования сухости лесов и прогнозирования лесных пожаров

Новая модель глубокого обучения, разработанная исследователями из Стэнфордского университета, использует уровни влажности в 12 разных штатах, чтобы помочь в прогнозировании лесных пожаров и помочь командам по управлению пожарами опережать потенциально разрушительные лесные пожары.

Команды по управлению пожарами стремятся предсказать, где могут возникнуть самые сильные пожары, чтобы провести профилактические меры, такие как контролируемые поджоги. Предсказание мест возникновения и распространения лесных пожаров требует информации 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 лесными пожарами, является сложной задачей, но модели глубокого обучения могут помочь автоматизировать эти критические процессы.

Как недавно сообщило Futurity, исследователи из Стэнфордского университета собрали климатические данные 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 находится в стадии совершенствования, она уже может выявлять районы 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 высушенного растительного покрова с более влажным растительным покровом. Конкретно, исследователи собирают образцы растительности с деревьев и взвешивают их. Затем образцы растительности высушивают и взвешивают снова. Сравниваются веса сухих 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 собранные данные из десятилетий этого процесса были использованы для создания Национальной базы данных влажности топлива, которая включает более 200 000 записей. Содержание топлива и влажности 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 по наукам о Земле в Стэнфордском университете, был ведущим автором нового исследования, и Рао объяснил Futurity, что машинное обучение дает исследователям возможность проверить предположения о связи между влажностью живого топлива и погодой для разных экосистем. Рао и его коллеги обучили рекуррентную нейронную сеть на данных из Национальной базы данных влажности топлива. Затем модель была протестирована на основе оценок уровней влажности топлива на основе измерений, собранных космическими датчиками. Данные включали сигналы от синтетического апертурного радара (SAR), который представляет собой микроволновые радарные сигналы, проникающие в поверхность, и видимый свет, отражаемый от поверхности Земли. Данные для обучения и проверки модели состояли из трех лет данных для примерно 240 участков по всей западной части США, начиная с 2015 года.

Исследователи провели анализ различных типов землепользования, включая редкую растительность, степи, кустарниковые заросли, хвойные вечнозеленые леса и широколиственные листопадные леса. Прогнозы модели были наиболее точными и надежно соответствовали измерениям NFMD в регионах кустарниковых зарослей. Это удачно, поскольку кустарниковые заросли составляют примерно 45% экосистем, найденных на западе США. Кустарниковые заросли, особенно чапарральные кустарниковые заросли, часто уникально восприимчивы к пожарам, как видно из многих пожаров, которые произошли в Калифорнии в последние годы.

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

Как Александра Конингс, ассистент профессора 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 и прогнозирование пожаров. Теперь мы пытаемся действительно определить лучшие способы использования их для улучшения прогнозирования пожаров.”