使用 AI 模型绘制森林干燥度图，预测野火

由斯坦福大学研究人员设计的新深度学习模型利用 12 个不同州的湿度水平，以帮助预测野火并协助消防管理团队预防可能造成破坏的野火。 消防管理团队旨在预测最严重的火灾可能发生的位置，以便采取预防措施，如规定烧荒。预测野火的起源和蔓延模式需要有关燃料量和湿度水平的信息。收集这些数据并以足够快的速度分析它们以便于野火管理团队使用是困难的，但深度学习模型可以帮助自动化这些关键过程。 如 Futurity 近日报道，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，旨在绘制 12 个西部州的湿度水平的详细地图，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，尽管该模型仍在改进中，但它已经能够揭示森林火灾高风险区域的异常干燥的景观。 收集有关燃料和湿度水平的数据的典型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。比较干燥样本和湿样本的重量以确定植被中的水分含量。这是一个漫长、复杂的过程，只适用于某些区域和某些种类的植被。然而，几十年来收集的数据已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已被很好地理解，尽管它在生态系统之间和从一株植物到另一株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 是新研究的首席作者，Rao 告诉 Futurity，机器学习使研究人员能够测试不同生态系统之间的活燃料湿度和天气之间的联系的假设。Rao 和同事们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，模型通过估计基于空间传感器的测量结果来测试燃料湿度水平。数据包括合成孔径雷达（SAR）的信号，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由 2015 年开始的西部美国约 240 个站点的三年的数据组成。 研究人员对各种类型的土地覆盖进行了分析，包括稀疏植被、草原、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准确、最可靠地匹配了 NFMD 测量结果。这很幸运，因为灌木丛占据了美国西部生态系统的约 45%。灌木丛，特别是 chaparral 灌木丛，往往对火灾特别敏感，如近年来在加利福尼亚州燃烧的许多火灾所见。 该模型生成的预测已用于创建 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，模型可以。 正如斯坦福大学地球系统科学助理教授 Alexandra Konings 向 Futurity 解释的那样： “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使用它来改进火灾预测的最佳方法。”