Ormanların Kuruluğunu Haritalamak ve Yangınları Öngörmek için Kullanılan AI Modeli

Stanford Üniversitesi’nden araştırmacılar tarafından tasarlanan yeni bir derin öğrenme modeli, 12 farklı eyaletteki nem seviyelerini kullanarak yangınları öngörmeye ve yangın yönetim ekiplerinin potansiyel olarak yıkıcı yangınlardan önce önlem almasına yardımcı olmak için tasarlandı.

Yangın yönetim ekipleri, en kötü yangınların nerede olabileceğini tahmin etmeye çalışırlar, böylece önleyici tedbirler gibi yangınların önlenmesi için gerekli adımlar atılabilir. Yangınların başlangıç noktalarını ve yayılma modellerini tahmin etmek için, hedef bölgenin yakıt miktarı ve nem seviyeleri hakkında bilgi gerekir. Bu verileri toplamak ve yangın yönetim ekiplerine faydalı olabilecek hızda analiz etmek zor bir iştir, ancak derin öğrenme modelleri bu kritik süreçleri otomatikleştirmeye yardımcı olabilir.

Futurity’nin yakın zamanda bildirdiği gibi, Stanford Üniversitesi’nden araştırmacılar, 12 batı eyaleti boyunca nem seviyelerinin ayrıntılı haritalarını oluşturmak için bir model tasarladılar. Araştırmacılara göre, model hala geliştirme aşamasındayken, already yüksek riskli orman yangınları olan bölgeleri göstermek için yeterli.

Yakıt ve nem seviyeleri hakkında veri toplamak için geleneksel yöntem, kurumuş bitki örtüsünü daha nemli bitki örtüsüne karşı karşılaştırmaktır. Özellikle, araştırmacılar ağaçlardan bitki örnekleri toplar ve onları tartarlar. Daha sonra, bitki örnekleri kurutulur ve yeniden tartılır. Kurutulmuş örneklerin ağırlığı ile nemli örneklerin ağırlığı arasındaki karşılaştırma, bitki örtüsündeki nem miktarını belirlemek için yapılır. Bu süreç, sadece belirli alanlarda ve bazı bitki türleri için uygulanabilen uzun ve karmaşık bir işlemdir. Ancak, bu süreçten elde edilen veriler, 200.000’den fazla kaydı içeren Ulusal Yakıt Nem Veritabanı’nın oluşturulmasına yardımcı olmuştur. Bir bölgenin yakıt nem içeriği, yangın riski ile bağlantılı olduğu iyi bilinen bir gerçektir, ancak bunun ekosistemler ve bitkiler arasında nasıl bir rol oynadığı hala bilinmemektedir.

Stanford Üniversitesi’nden Krishna Rao, yeni çalışmanın baş yazarı olarak, makine öğreniminin, canlı yakıt neminin hava durumu ile ilişkileri hakkında farklı ekosistemler için varsayımları test etmesine olanak tanıdığını açıkladı. Rao ve meslektaşları, Ulusal Yakıt Nem Veritabanı’ndan alınan verilerle bir again sinir ağı modelini eğittiler. Model daha sonra, uzay sensörleri tarafından toplanan ölçümlere dayanarak yakıt nem seviyelerini tahmin etmek için test edildi. Veriler, sentetik açıklık radarı (SAR) sinyallerini ve gezegenin yüzeyinden yansıyan görünür ışığı içeriyordu. Modelin eğitimi ve doğrulaması için kullanılan veriler, 2015’ten başlayarak yaklaşık 240 site için üç yıllık veriydi.

Araştırmacılar, seyrek bitki örtüsü, çayırlar, çalılıklar, iğne yapraklı sürekli yeşil ormanlar ve geniş yapraklı deciduous ormanlar gibi çeşitli arazi örtüsü türleri üzerinde analizler gerçekleştirdiler. Modelin tahminleri, özellikle çalılık bölgelerde en doğru ve güvenilir şekilde eşleşti. Bu, çalılıklerin ABD batısında bulunan ekosistemlerin yaklaşık %45’ini oluşturduğu için şanslı bir durum. Çalılıklar, özellikle chaparral çalılıkları, sık sık yangına karşı hassastırlar, bu da recent yıllarda Kaliforniya’da yaşanan birçok yangında görüldüğü gibi.

Model tarafından üretilen tahminler, yangın yönetim ajanslarının yangın kontrolü için öncelikli bölgeleri belirlemelerine ve diğer ilgili modelleri anlamalarına yardımcı olabilecek bir etkileşimli harita oluşturmak için kullanıldı. Araştırmacılara göre, modelin daha fazla eğitim ve iyileştirme ile yangın öngörüsünü geliştirmek için kullanılabileceği düşünülüyor.

Futurity’ye açıkladığı gibi, Stanford Üniversitesi’nden Alexandra Konings, “Bu haritaları oluşturmak, bu yeni yakıt nem verisinin yangın riski ve öngörülerini nasıl etkileyebileceği hakkında anlamak için ilk adımdı. Şimdi, bunu geliştirilmiş yangın öngörüsü için en iyi şekilde nasıl kullanabileceğimizi belirlemeye çalışıyoruz.” dedi.