AI-modell används för att kartlägga torrheten i skogar och förutsäga skogsbränder

En ny djupinlärningsmodell som utvecklats av forskare från Stanford University använder fuktighetsnivåer i 12 olika delstater för att hjälpa till att förutsäga skogsbränder och stödja brandhanteringsteam att förebygga potentiellt destruktiva skogsbränder.

Brandhanteringsteam syftar till att förutsäga var de värsta bränderna kan uppstå, så att förebyggande åtgärder som kontrollerade bränder kan genomföras. För att förutsäga ursprunget och spridningsmönstren för skogsbränder krävs information om bränslemängder och fuktighetsnivåer i målområdet. Att samla in och analysera dessa data i den hastighet som krävs för att vara användbar för brandhanteringsteam är svårt, men djupinlärningsmodeller kan hjälpa till att automatisera dessa kritiska processer.

Som Futurity nyligen rapporterade, samlade forskare från Stanford University in klimatdata och utvecklade en modell som syftar 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 vanliga metoden för att samla in data om bränsle- och fuktighetsnivåer i ett målområde är att noggrant jämföra uttorkad vegetation med fuktigare vegetation. Specifikt samlar forskare in vegetationsprover från träd och väger dem. Därefter torkas proverna och vägs igen. Jämförelser görs mellan vikten av de torra proverna och de fuktiga proverna 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 levande bränslefuktighet och väder för olika ekosystem. Rao och kollegor tränade en återkopplad neural nätverksmodell på data från den nationella bränslefuktighetsdatabasen. Modellen testades sedan genom att uppskatta bränslefuktighetsnivåer baserat på mätningar som samlats in av rymdsensorer. Data inkluderade signaler från syntetisk aperturradar (SAR), som är mikrovågsradarsignaler som tränger igenom till ytan, och synligt ljus som studsar mot jordens yta. Tränings- och valideringsdata för modellen bestod av tre års data för cirka 240 platser i den västra delen av USA, med start 2015.

Forskarna utförde analyser på olika typer av marktäckning, inklusive gles vegetation, gräsmarker, buskmarker, nållöviga barrskogar 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 den västra delen av USA. Buskmarker, särskilt chaparralbuskmarker, är ofta unikt känsliga för eld, som har setts i många av de bränder som brunnit i Kalifornien under de senaste åren.

De förutsägelser som genererats av modellen har använts för att skapa en interaktiv karta som brandhanteringsteam en dag kan använda för att prioritera områden för brandkontroll och upptäcka 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 dessa nya bränslefuktighetsdata kan påverka brandrisk och förutsägelser. Nu försöker vi verkligen fastställa de bästa sätten att använda dem för förbättrad brandförutsägelse.”