Mô hình trí tuệ nhân tạo được sử dụng để lập bản đồ độ khô của rừng, dự đoán cháy rừng

Một mô hình học sâu mới được thiết kế bởi các nhà nghiên cứu từ Đại học Stanford tận dụng mức độ ẩm trên 12 tiểu bang khác nhau để hỗ trợ dự đoán cháy rừng và giúp các đội quản lý cháy rừng chủ động đối phó với các vụ cháy rừng có khả năng phá hủy cao.

Các đội quản lý cháy rừng nhằm dự đoán nơi xảy ra các vụ cháy rừng nghiêm trọng nhất, để thực hiện các biện pháp phòng ngừa như đốt cháy có kiểm soát. Dự đoán điểm xuất phát và mô hình lan truyền của cháy rừng đòi hỏi thông tin về lượng nhiên liệu và mức độ ẩm của khu vực mục tiêu. Việc thu thập dữ liệu này và phân tích nó với tốc độ cần thiết để có ích cho các đội quản lý cháy rừng là khó khăn, nhưng các mô hình học sâu có thể giúp tự động hóa các quá trình quan trọng này.

Như Futurity gần đây đã báo cáo, các nhà nghiên cứu từ Đại học Stanford đã thu thập dữ liệu khí hậu và thiết kế một mô hình nhằm tạo ra bản đồ chi tiết về mức độ ẩm trên 12 tiểu bang phía tây, bao gồm cả các tiểu bang ven biển Thái Bình Dương, Texas, Wyoming, Montana và các tiểu bang phía tây nam. Theo các nhà nghiên cứu, mặc dù mô hình vẫn đang được tinh chỉnh, nhưng nó đã có khả năng tiết lộ các khu vực có nguy cơ cao về cháy rừng nơi cảnh quan đặc biệt khô.

Phương pháp điển hình để thu thập dữ liệu về mức độ ẩm và nhiên liệu của một khu vực mục tiêu là so sánh thực vật khô với thực vật ẩm. Cụ thể, các nhà nghiên cứu thu thập mẫu thực vật từ cây cối và cân chúng. Sau đó, các mẫu thực vật được sấy khô và cân lại. So sánh được thực hiện giữa trọng lượng của mẫu khô và mẫu ướt để xác định lượng ẩm trong thực vật. Quá trình này dài và phức tạp, chỉ khả thi trong một số khu vực và đối với một số loài thực vật. Tuy nhiên, dữ liệu thu thập được từ nhiều thập kỷ qua đã được sử dụng để tạo ra Cơ sở dữ liệu độ ẩm nhiên liệu quốc gia, bao gồm hơn 200.000 bản ghi. Nội dung độ ẩm của nhiên liệu trong một khu vực được biết là liên quan đến nguy cơ cháy rừng, mặc dù vẫn chưa rõ vai trò của nó giữa các hệ sinh thái và từ cây này sang cây khác.

Krishna Rao, sinh viên tiến sĩ khoa học hệ thống trái đất tại Stanford, là tác giả chính của nghiên cứu mới này, và Rao đã giải thích với Futurity rằng học máy cho phép các nhà nghiên cứu kiểm tra các giả định về liên kết giữa độ ẩm nhiên liệu sống và thời tiết đối với các hệ sinh thái khác nhau. Rao và các đồng nghiệp đã đào tạo một mô hình mạng nơ-ron hồi quy trên dữ liệu từ Cơ sở dữ liệu độ ẩm nhiên liệu quốc gia. Mô hình sau đó được kiểm tra bằng cách ước tính mức độ ẩm nhiên liệu dựa trên các phép đo thu thập bởi các cảm biến không gian. Dữ liệu bao gồm tín hiệu từ radar tổng hợp khẩu độ (SAR), là tín hiệu radar vi ba xuyên qua bề mặt, và ánh sáng nhìn thấy bị bật lại từ bề mặt hành tinh. Dữ liệu đào tạo và xác thực cho mô hình bao gồm ba năm dữ liệu cho khoảng 240 địa điểm trên toàn bộ phía tây Hoa Kỳ bắt đầu từ năm 2015.

Các nhà nghiên cứu đã chạy phân tích trên các loại che phủ đất khác nhau, bao gồm thực vật thưa thớt, đồng cỏ, đất bụi, rừng kim lá dài và rừng rụng lá rộng. Dự đoán của mô hình chính xác nhất, phù hợp nhất với đo lường của NFMD, trên các khu vực đất bụi. Điều này may mắn, vì đất bụi chiếm khoảng 45% hệ sinh thái được tìm thấy trên toàn bộ phía tây Hoa Kỳ. Đất bụi, đặc biệt là bụi rậm chaparral, thường dễ bị cháy, như đã thấy trong nhiều vụ cháy ở California trong những năm gần đây.

Các dự đoán được tạo ra bởi mô hình đã được sử dụng để tạo bản đồ tương tác mà các cơ quan quản lý cháy rừng có thể sử dụng để ưu tiên các khu vực cho kiểm soát cháy và phân biệt các mẫu liên quan khác. Các nhà nghiên cứu tin rằng với việc đào tạo và tinh chỉnh thêm, mô hình có thể.

Giống như Alexandra Konings, giáo sư trợ lý khoa học hệ thống trái đất tại Stanford, giải thích với Futurity:

“Tạo ra các bản đồ này là bước đầu tiên trong việc hiểu cách dữ liệu độ ẩm nhiên liệu mới này có thể ảnh hưởng đến nguy cơ cháy rừng và dự đoán. Bây giờ chúng tôi đang cố gắng xác định cách tốt nhất để sử dụng nó cho dự đoán cháy rừng được cải thiện.”