使用 AI 模型绘制森林干燥度图，预测野火

斯坦福大学的研究人员设计了一种新的深度学习模型，利用 12 个不同州的湿度水平来帮助预测野火并帮助火灾管理团队预防可能造成破坏的野火。

火灾管理团队旨在预测最严重的野火可能发生在哪里，以便采取预防措施，如进行控制性烧荒。预测野火的起源和传播模式需要有关燃料量和湿度水平的信息。收集和分析这些数据的速度对于野火管理团队来说是具有挑战性的，但深度学习模型可以帮助自动化这些关键过程。

Futurity最近报道，斯坦福大学的研究人员收集了气候数据并设计了一个模型，旨在渲染12个西部州的湿度水平地图，包括太平洋沿岸州、德克萨斯州、怀俄明州、蒙大拿州和西南州。根据研究人员的说法，虽然该模型仍在改进中，但它已经能够揭示森林火灾高风险地区的异常干燥景观。

收集燃料和湿度水平数据的传统方法是通过比较干燥的植被和更湿润的植被。具体来说，研究人员从树上收集植被样本并称重。然后，植被样本被干燥并重新称重。通过比较干燥样本和湿样本的重量来确定植被中的水分含量。这是一个漫长而复杂的过程，只适用于某些地区和某些植被物种。然而，通过几十年的这个过程收集的数据已被用于创建国家燃料湿度数据库，包含超过20万条记录。一个地区的燃料湿度含量与野火风险之间的关系是众所周知的，尽管它在生态系统和植物之间的作用尚不清楚。

斯坦福大学地球系统科学博士生Krishna Rao是这项新研究的首席作者，Rao向Futurity解释说，机器学习使研究人员能够测试不同生态系统中活燃料湿度和天气之间的关联假设。Rao和他的同事在国家燃料湿度数据库的数据上训练了一个循环神经网络模型。然后，模型通过使用空间传感器收集的测量值来估计燃料湿度水平。数据包括合成孔径雷达（SAR）信号，即微波雷达信号，可以穿透到地表，以及从地球表面反弹的可见光。模型的训练和验证数据包括从2015年开始的西部美国约240个站点的三年数据。

研究人员对各种土地覆盖类型进行了分析，包括稀疏植被、草地、灌木丛、针叶常绿林和阔叶落叶林。模型的预测在灌木丛地区最为准确，且最能可靠地匹配NFMD测量值。这很幸运，因为灌木丛占美国西部生态系统的约45％。灌木丛，特别是查帕拉尔灌木丛，往往对火灾特别敏感，如近年来加利福尼亚州发生的许多火灾所示。

模型生成的预测已被用于创建一个交互式地图，火灾管理机构可以使用它来优先考虑火灾控制区域并识别其他相关模式。研究人员相信，经过进一步的训练和改进，该模型可以。

斯坦福大学地球系统科学助理教授Alexandra Konings向Futurity解释：

“创建这些地图是了解这种新型燃料湿度数据如何影响火灾风险和预测的第一步。现在我们正在尝试找到最佳方法来改进火灾预测。”