โมเดล AI ที่ใช้สำหรับการทำแผนที่ความแห้งแล้งของป่า และการทำนายการเกิดไฟป่า

นักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดได้ออกแบบโมเดลการเรียนรู้ลึกใหม่ที่ใช้ระดับความชื้นใน 12 รัฐเพื่อช่วยในการทำนายการเกิดไฟป่าและช่วยให้ทีมจัดการไฟป่าสามารถเตรียมการล่วงหน้าเพื่อป้องกันการเกิดไฟป่าที่อาจจะทำลายล้างได้

ทีมจัดการไฟป่ามีเป้าหมายที่จะทำนายว่าไฟป่าจะเกิดขึ้นที่ไหน และสามารถดำเนินการป้องกันล่วงหน้าได้ เช่น การเผาไหม้แบบควบคุม การทำนายจุดกำเนิดและรูปแบบการแพร่กระจายของไฟป่าจำเป็นต้องมีข้อมูลเกี่ยวกับจำนวนเชื้อเพลิงและระดับความชื้นในพื้นที่เป้าหมาย การรวบรวมและวิเคราะห์ข้อมูลนี้ในความเร็วที่ต้องการเพื่อให้ประโยชน์ต่อทีมจัดการไฟป่าเป็นเรื่องที่ยาก แต่โมเดลการเรียนรู้ลึกสามารถช่วยให้กระบวนการเหล่านี้เป็นอัตโนมัติได้

ตามที่ Futurity รายงานเมื่อเร็วๆ นี้ นักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดได้รวบรวมข้อมูลสภาพภูมิอากาศและออกแบบโมเดลที่มีจุดมุ่งหมายเพื่อสร้างแผนที่ระดับความชื้นที่มีรายละเอียดใน 12 รัฐทางตะวันตก รวมถึงรัฐชายฝั่งแปซิฟิก เท็กซัส วยโอมิง มอนแทนา และรัฐทางตะวันตกเฉียงใต้ ตามที่นักวิจัยกล่าว แม้ว่าโมเดลยังคงอยู่ในขั้นตอนการปรับปรุง แต่ก็สามารถแสดงให้เห็นแล้วว่าสามารถระบุพื้นที่ที่มีความเสี่ยงสูงต่อการเกิดไฟป่าได้โดยที่ภูมิทัศน์มีความแห้งแล้งเป็นพิเศษ

วิธีการทั่วไปในการรวบรวมข้อมูลเกี่ยวกับระดับความชื้นและเชื้อเพลิงในพื้นที่เป้าหมายคือการเปรียบเทียบพืชพรรณที่แห้งแล้งกับพืชพรรณที่มีความชื้น นักวิจัยจะรวบรวมตัวอย่างพืชพรรณจากต้นไม้และชั่งน้ำหนัก จากนั้นตัวอย่างพืชพรรณจะถูกทำให้แห้งและชั่งน้ำหนักอีกครั้ง การเปรียบเทียบจะทำระหว่างน้ำหนักของตัวอย่างที่แห้งและตัวอย่างที่มีความชื้นเพื่อกำหนดปริมาณความชื้นในพืชพรรณ กระบวนการนี้เป็นกระบวนการที่ยาวและซับซ้อนซึ่งสามารถทำได้เฉพาะในบางพื้นที่และสำหรับพืชพรรณบางชนิดเท่านั้น อย่างไรก็ตาม ข้อมูลที่รวบรวมจากกระบวนการนี้มานานหลายทศวรรษได้ถูกนำมาใช้ในการสร้างฐานข้อมูลแห่งชาติเกี่ยวกับระดับความชื้นของเชื้อเพลิง ซึ่งมีมากกว่า 200,000 รายการ ระดับความชื้นของเชื้อเพลิงในพื้นที่เป็นที่ทราบกันว่ามีความเกี่ยวข้องกับความเสี่ยงต่อการเกิดไฟป่า แต่ยังคงไม่ทราบว่ามันเล่นบทบาทอะไรระหว่างระบบนิเวศและจากพืชพรรณหนึ่งไปยังอีกพืชพรรณหนึ่ง

Krishna Rao นักศึกษาระดับ博士ในด้านวิทยาศาสตร์ระบบโลกที่สแตนฟอร์ดเป็นผู้เขียนหลักของการศึกษานี้ และ Rao อธิบายกับ Futurity ว่าเครื่องมือการเรียนรู้ของเครื่องจักรช่วยให้นักวิจัยสามารถทดสอบสมมติฐานเกี่ยวกับลิงก์ระหว่างความชื้นของเชื้อเพลิงที่มีชีวิตและอากาศสำหรับระบบนิเวศที่แตกต่างกัน Rao และเพื่อนร่วมงานได้ฝึกโมเดลเครือข่ายประสาทที่เกิดซ้ำบนข้อมูลจากฐานข้อมูลแห่งชาติเกี่ยวกับระดับความชื้นของเชื้อเพลิง จากนั้นโมเดลจะถูกทดสอบโดยการประมาณระดับความชื้นของเชื้อเพลิงโดยอาศัยการวัดที่รวบรวมจากเซ็นเซอร์อวกาศ ข้อมูลนี้รวมถึงสัญญาณจากเรดาร์แบบสังเคราะห์ (SAR) ซึ่งเป็นสัญญาณเรดาร์ไมโครเวฟที่สามารถทะลุผ่านพื้นผิว และแสงสว่างที่ส่องกลับจากพื้นผิวของโลก โมเดลได้รับการฝึกฝนและทดสอบโดยใช้ข้อมูลสามปีสำหรับประมาณ 240 สถานที่ทั่วทั้งตะวันตกของสหรัฐอเมริกา ตั้งแต่ปี 2015

นักวิจัยได้ดำเนินการวิเคราะห์บนพื้นที่ที่มีการครอบคลุมที่แตกต่างกัน รวมถึงพืชพรรณที่กระจายกระจัด พื้นที่ทุ่งหญ้า พื้นที่ที่มีพืชพรรณหนาแน่น และป่าไม้ใบกว้างที่มีหน้าใบไม้กว้าง โมเดลสามารถทำนายระดับความชื้นของเชื้อเพลิงได้อย่างแม่นยำที่สุดในพื้นที่ที่มีพืชพรรณหนาแน่น ซึ่งเป็นเรื่องที่ดี เนื่องจากพื้นที่ที่มีพืชพรรณหนาแน่นครอบคลุมประมาณ 45% ของระบบนิเวศที่พบในตะวันตกของสหรัฐอเมริกา พื้นที่ที่มีพืชพรรณหนาแน่น โดยเฉพาะพื้นที่ที่มีพืชพรรณหนาแน่นแบบชาปารัล มักจะเสี่ยงต่อการเกิดไฟป่า โดยเห็นได้จากไฟป่าที่เกิดขึ้นในแคลิฟอร์เนียในช่วงหลายปีที่ผ่านมา

การทำนายที่สร้างโดยโมเดลได้ถูกนำมาใช้ในการสร้าง แผนที่แบบโต้ตอบ ที่หน่วยงานจัดการไฟป่าสามารถใช้เพื่อจัดลำดับความสำคัญของพื้นที่สำหรับการควบคุมไฟและระบุรูปแบบที่เกี่ยวข้องอื่นๆ นักวิจัยเชื่อว่าด้วยการฝึกอบรมและปรับปรุงโมเดลเพิ่มเติม โมเดลสามารถ…

ตามที่ Alexandra Konings ผู้ช่วยศาสตราจารย์ด้านวิทยาศาสตร์ระบบโลกที่สแตนฟอร์ด อธิบายกับ Futurity

“การสร้างแผนที่เหล่านี้เป็นขั้นตอนแรกในการทำความเข้าใจว่าข้อมูลใหม่นี้เกี่ยวกับระดับความชื้นของเชื้อเพลิงอาจส่งผลต่อความเสี่ยงต่อการเกิดไฟป่าและความแม่นยำในการทำนายได้อย่างไร ตอนนี้เรากำลังพยายามที่จะกำหนดวิธีที่ดีที่สุดในการใช้มันเพื่อการทำนายไฟป่าที่ดีขึ้น”