Модель штучного інтелекту використовується для картографування сухості лісів та передбачення лісових пожеж

Нова модель глибокого навчання, розроблена дослідниками Стенфордського університету, використовує рівні вологи в 12 різних штатах для допомоги у передбаченні лісових пожеж та допомозі командам з управління пожежами у попередженні потенційно руйнівних лісових пожеж.

Команди з управління пожежами намагаються передбачити, де можуть виникнути найгірші пожежі, щоб провести профілактичні заходи, такі як контрольовані підпали. Для передбачення місць виникнення та поширення лісових пожеж потрібна інформація про кількість палива та рівні вологи в регіоні. Збір цих даних та аналіз їх на необхідній швидкості для допомоги командам з управління пожежами є складним завданням, але моделі глибокого навчання можуть допомогти автоматизувати ці критичні процеси.

Як недавно повідомлялося в Futurity, дослідники Стенфордського університету зібрали кліматичні дані та розробили модель, призначену для створення детальних карт рівнів вологи в 12 західних штатах, включаючи штати Тихоокеанського узбережжя, Техас, Вайомінг, Монтану та південно-західні штати. За словами дослідників, хоча модель ще перебуває на стадії доопрацювання, вона вже здатна виявляти регіони з високим ризиком лісових пожеж, де ландшафт надзвичайно сухий.

Типовий метод збору даних про рівні палива та вологи в регіоні полягає в порівнянні висушеного рослинності з більш вологим. Конкретно, дослідники збирають зразки рослинності з дерев та зважують їх. Потім зразки рослинності висушуються та зважуються знову. Порівнюються ваги сухих зразків та вологих зразків для визначення кількості вологи в рослинності. Цей процес є довгим та складним і можливий лише в певних регіонах та для деяких видів рослинності. Однак дані, зібрані за десятиліття цього процесу, були використані для створення Національної бази даних вологи палива, яка складається з понад 200 000 записів. Відомо, що вміст вологи палива в регіоні тісно пов’язаний з ризиком лісових пожеж, хоча ще не відомо, яку роль він відіграє між екосистемами та від одного виду рослинності до іншого.

Крішна Рао, аспірант кафедри наук про Землю Стенфордського університету, був головним автором нового дослідження, і Рао пояснив Futurity, що машинне навчання дозволяє дослідникам перевірити припущення про зв’язок між живою вологістю палива та погодою для різних екосистем. Рао та його колеги навчали рекурентну нейронну мережу на даних Національної бази даних вологи палива. Потім модель була протестована шляхом оцінки рівнів вологи палива на основі вимірювань, отриманих з космосу. Дані включали сигнали синтетичної апертурної радіолокації (SAR), які є мікрохвильовими радіолокаційними сигналами, що проникають до поверхні, та видимий світло, що відбивається від поверхні планети. Дані для навчання та валідації моделі складалися з трьох років даних для приблизно 240 місць у західній частині США, починаючи з 2015 року.

Дослідники провели аналіз різних типів землекористування, включаючи рідку рослинність, луки, чагарники, хвойні вічнозелені ліси та широколистяні листопадні ліси. Прогнози моделі були найбільш точними та надійно збігалися з вимірюваннями Національної бази даних вологи палива в регіонах чагарників. Це щасливий випадок, оскільки чагарники складають приблизно 45% екосистем, поширених на заході США. Чагарники, особливо чапарральні чагарники, часто унікально сприйнятливі до вогню, як це видно з багатьох пожеж, що спалахнули в Каліфорнії в останні роки.

Прогнози, згенеровані моделлю, були використані для створення інтерактивної карти, яку команди з управління пожежами можуть використовувати для пріоритезації регіонів для контролю пожеж та визначення інших важливих закономірностей. Дослідники вважають, що після подальшого навчання та доопрацювання модель могла б.

Як Олександра Конінгс, доцент кафедри наук про Землю Стенфордського університету, пояснила Futurity:

“Створення цих карт було першим кроком у розумінні того, як ці нові дані про вологість палива можуть вплинути на ризик пожеж та передбачення. Тепер ми намагаємося якнайкраще використовувати їх для покращення передбачення пожеж.”