AI-modell används för att kartlägga torrhet i skogar, förutsäga skogsbränder

En ny djupinlärningsmodell som utvecklats av forskare från Stanford University utnyttjar fuktighetsnivåer i 12 olika delstater för att hjälpa till att förutsäga skogsbränder och hjälpa brandhanteringslag att komma före potentiellt destruktiva skogsbränder.

Brandhanteringslag strävar efter att förutsäga var de värsta bränderna kan uppstå, så att förebyggande åtgärder som kontrollerade bränder kan genomföras. Att förutsäga ursprunget och spridningsmönster för skogsbränder kräver information om bränslemängder och fuktighetsnivåer för målområdet. Insamling av dessa data och analys av dem i den hastighet som krävs för att vara användbar för skogsbrandhantering är svårt, men djupinlärningsmodeller kan hjälpa till att automatisera dessa kritiska processer.

Som Futurity nyligen rapporterade, samlade forskare från Stanford University in klimatdata och utformade en modell som syftade till att skapa detaljerade kartor över fuktighetsnivåer i 12 västra delstater, inklusive Stillahavskuststaterna, Texas, Wyoming, Montana och sydvästra delstaterna. Enligt forskarna kan modellen, trots att den fortfarande är under utveckling, redan avslöja områden med hög risk för skogsbränder där landskapet är ovanligt torrt.

Den typiska metoden för att samla in data om bränsle- och fuktighetsnivåer för ett målområde är genom att noggrant jämföra uttorkad vegetation med fuktigare vegetation. Specifikt samlar forskare in vegetationsexemplar från träd och väger dem. Därefter torkas vegetationsexemplaren och vägs igen. Jämförelser görs mellan vikten av de torra exemplaren och de fuktiga exemplaren för att bestämma mängden fukt i vegetationen. Denna process är lång och komplicerad och är endast möjlig i vissa områden och för vissa arter av vegetation. Men de data som samlats in under årtionden med denna process har använts för att skapa den nationella bränslefuktighetsdatabasen, som består av över 200 000 poster. Bränslefuktighetsinnehållet i ett område är väl känt för att vara kopplat till risken för skogsbränder, även om det fortfarande är okänt hur stor roll det spelar mellan ekosystem och från en växt till en annan.

Krishna Rao, doktorand i jordsystemvetenskap vid Stanford, var huvudförfattare till den nya studien, och Rao förklarade för Futurity att maskinlärning ger forskare möjlighet att testa antaganden om samband mellan fuktighet i levande bränsle och väder för olika ekosystem. Rao och kollegor tränade en återkommande neural nätverksmodell på data från den nationella bränslefuktighetsdatabasen. Modellen testades sedan genom att uppskatta fuktighetsnivåer i bränsle baserat på mätningar som samlats in av rymdsensorer. Data inkluderade signaler från syntetisk aperturradar (SAR), som är mikrovågsradarsignaler som tränger ner till ytan, och synligt ljus som studsar tillbaka från jordens yta. Tränings- och valideringsdata för modellen bestod av tre års data för cirka 240 platser i västra USA, med start år 2015.

Forskarna genomförde analyser på olika typer av marktäckning, inklusive gles vegetation, gräsmarker, buskmarker, nållövskogar och lövskogar. Modellens förutsägelser var mest exakta och matchade mest tillförlitligt NFMD-mätningen på buskmarksområden. Detta är lyckosamt, eftersom buskmarker utgör cirka 45 % av de ekosystem som finns i västra USA. Buskmarker, särskilt chaparralbuskmarker, är ofta unikt känsliga för eld, som har setts i många av de bränder som brann i Kalifornien under de senaste åren.

De förutsägelser som genererats av modellen har använts för att skapa en interaktiv karta som brandhanteringsmyndigheter en dag kan använda för att prioritera områden för brandkontroll och urskilja andra relevanta mönster. Forskarna tror att med ytterligare utbildning och förfining kan modellen.

Som Alexandra Konings, biträdande professor i jordsystemvetenskap vid Stanford, förklarade för Futurity:

“Att skapa dessa kartor var det första steget i att förstå hur denna nya fuktighetsdata för bränsle kan påverka brandrisk och förutsägelser. Nu försöker vi verkligen fastställa de bästa sätten att använda den för förbättrad brandförutsägelse.”