Модель штучного інтелекту використовується для картографування сухості лісів і прогнозування лісових пожеж

Нова модель глибокого навчання, розроблена дослідниками зі Стенфордського університету, використовує рівень вологості в 12 різних штатах, щоб допомогти прогнозувати лісові пожежі та допомогти командам з боротьби з пожежами випереджати потенційно руйнівні лісові пожежі.

Пожежні команди прагнуть передбачити, де можуть виникнути найсильніші пожежі, щоб можна було вжити профілактичних заходів, як-от передбачені опіки. Прогнозування точок походження та моделей поширення лісових пожеж вимагає інформації щодо кількості палива та рівня вологості для цільового регіону. Зібрати ці дані та проаналізувати їх зі швидкістю, необхідною для того, щоб вони були корисними для команд з боротьби з лісовими пожежами, важко, але моделі глибокого навчання можуть допомогти автоматизувати ці важливі процеси.

Як нещодавно повідомляв Futurity, дослідники зі Стенфордського університету зібрали кліматичні дані та розробив модель призначений для відтворення детальних карт рівня вологості в 12 західних штатах, включаючи штати тихоокеанського узбережжя, Техас, Вайомінг, Монтана та південно-західні штати. За словами дослідників, хоча модель все ще вдосконалюється, вона вже здатна виявляти зони з високим ризиком лісових пожеж, де ландшафт надзвичайно сухий.

Типовий метод збору даних щодо рівнів палива та вологи для цільового регіону полягає в ретельному порівнянні висохлої рослинності з більш вологою рослинністю. Зокрема, дослідники збирають зразки рослинності з дерев і зважують їх. Після цього зразки рослинності висушують і повторно зважують. Для визначення кількості вологи в рослинності проводиться порівняння між вагою сухих і вологих зразків. Цей процес є тривалим і складним, можливим лише на певних ділянках і для деяких видів рослинності. Однак дані, зібрані десятиліттями цього процесу, були використані для створення Національної бази даних про вологість палива, яка складається з понад 200,000 XNUMX записів. Відомо, що вологість палива в регіоні пов’язана з ризиком лісової пожежі, хоча досі невідомо, яку роль вона відіграє між екосистемами та від однієї рослини до іншої.

Крішна Рао, аспірант Стенфордського університету, був провідним автором нового дослідження, і Рао пояснив Futurity, що машинне навчання дає дослідникам можливість перевірити припущення про зв’язки між живою вологістю палива та погодою для різних екосистем. Рао та його колеги навчили рекурентну модель нейронної мережі на даних з Національної бази даних про вологість палива. Потім модель була протестована шляхом оцінки рівня вологості палива на основі вимірювань, зібраних космічними датчиками. Дані включали сигнали від радара з синтезованою апертурою (SAR), який представляє собою мікрохвильові радіолокаційні сигнали, які проникають на поверхню, і видиме світло, що відбивається від поверхні планети. Дані навчання та перевірки для моделі складалися з трирічних даних для приблизно 240 сайтів на заході США, починаючи з 2015 року.

Дослідники провели аналіз різних типів земельного покриву, включаючи розріджену рослинність, луки, чагарники, голчасті вічнозелені ліси та широколисті листяні ліси. Прогнози моделі були найточнішими та найбільш надійно відповідали вимірюванню NFMD у чагарникових регіонах. Це щастя, оскільки чагарники складають приблизно 45% екосистем на заході США. Чагарники, особливо чагарники, часто надзвичайно вразливі до вогню, як це видно з багатьох пожеж, які спалахнули по всій Каліфорнії за останні роки.

Прогнози, згенеровані моделлю, використовувалися для створення інтерактивна карта які агентства з управління пожежами одного разу зможуть використати для визначення пріоритетів регіонів для боротьби з пожежами та виявлення інших відповідних моделей. Дослідники вважають, що за умови подальшого навчання та вдосконалення модель зможе.

Як сказала Александра Конінгс, доцент кафедри науки про системи Землі в Стенфордському університеті, пояснив Futurity:

«Створення цих карт стало першим кроком у розумінні того, як ці нові дані про вологість палива можуть вплинути на ризик пожежі та прогнози. Зараз ми намагаємося дійсно визначити найкращі способи використання цього для покращеного прогнозування пожежі».