Kortlægning af tørre brændstoffer til skovbrande med kunstig intelligens og nye satellitdata

Mens Californien og det amerikanske vesten går ind i brandsæsonen midt i coronavirus-pandemien, forskere udnytter kunstig intelligens og nye satellitdata for at hjælpe med at forudsige flammer i hele regionen.

At foregribe, hvor en brand sandsynligvis vil antænde, og hvordan den kan sprede sig, kræver oplysninger om, hvor meget brændbart plantemateriale der findes på landskabet og dets tørhed. Alligevel er disse oplysninger overraskende vanskelige at indsamle i den målestok og hastighed, der er nødvendig for at hjælpe med at håndtere brande.

Nu, et team af eksperter i hydrologi, fjernmåling og miljøteknik har udviklet en dyb-læringsmodel, der kortlægger brændstoffugtighedsniveauer i fine detaljer på tværs af 12 vestlige stater, fra Colorado, Montana, Texas og Wyoming til Stillehavskysten.

Forskerne beskriver deres teknik i august 2020-udgaven af ​​Remote Sensing of Environment. Ifølge den højtstående forfatter af papiret, Stanford University økohydrolog Alexandra Konings, det nye datasæt produceret af modellen kunne "massivt forbedre brandundersøgelser."

Ifølge avisens hovedforfatter, Krishna Rao, en ph.d. studerende i jordsystemvidenskab ved Stanford, modellen har brug for flere tests for at finde ud af brandhåndteringsbeslutninger, der sætter liv og hjem på spil. Men det belyser allerede tidligere usynlige mønstre. Bare at kunne se skovtørhed udfolde sig pixel for pixel over tid, han sagde, kan hjælpe med at afsløre områder med størst risiko og "kortlægge kandidatplaceringer for foreskrevne forbrændinger."

Arbejdet kommer på et tidspunkt med stigende hastende karakter for denne form for indsigt, efterhånden som klimaforandringerne forlænger og intensiverer naturbrandsæsonen – og da den igangværende COVID-19-pandemi komplicerer indsatsen for at forhindre store brande gennem kontrollerede forbrændinger, forberede sig på masseevakueringer og mobilisere førstehjælpere.

At læse om udtørrede landskaber

Brandvæsenet måler i dag typisk mængden af ​​udtørret, brandfarlig vegetation i et område baseret på prøver fra et lille antal træer. Forskere hugger og vejer trægrene, tør dem ud i en ovn og vej dem derefter igen. "Du ser på, hvor meget masse der gik tabt i ovnen, og det er alt det vand, der var derinde, sagde Konings, en assisterende professor i jordsystemvidenskab i Stanford's School of Earth, Energi- og miljøvidenskab (Stanford Earth). "Det er naturligvis virkelig besværligt, og det kan du kun gøre et par forskellige steder, kun for nogle af arterne i et landskab. "

U.S. Forest Service indsamler omhyggeligt denne plantes vandindholdsdata på hundredvis af steder landsdækkende og føjer dem til National Fuel Moisture Database, som har samlet omkring 200, 000 sådanne målinger siden 1970'erne. Kendt som levende brændstofs fugtindhold, metricen er veletableret som en faktor, der påvirker risikoen for brande. Alligevel er lidt kendt om, hvordan det varierer over tid fra en plante til en anden - eller fra et økosystem til et andet.

I årtier, forskere har estimeret brændstoffugtindhold indirekte, fra informerede, men ubeviste gæt om forholdet mellem temperatur, nedbør, vand i døde planter og tørheden af ​​levende. Ifølge Rao, "Nu, vi er i en position, hvor vi kan gå tilbage og teste, hvad vi har antaget så længe - sammenhængen mellem vejr og levende brændstoffugtighed - i forskellige økosystemer i det vestlige USA."

AI med en menneskelig assist

Den nye model bruger det, der kaldes et tilbagevendende neuralt netværk, et kunstig intelligenssystem, der kan lære at genkende mønstre i enorme bjerge af data. Forskerne uddannede deres model ved hjælp af feltdata fra National Fuel Moisture Database, derefter sætte det i gang med at estimere brændstoffugtighed fra to typer målinger indsamlet af mellemrumssensorer. Den ene involverer målinger af synligt lys, der hopper ud af Jorden. Den anden, kendt som syntetisk blænderadar (SAR), measures the return of microwave radar signals, which can penetrate through leafy branches all the way to the ground surface.

"One of our big breakthroughs was to look at a newer set of satellites that are using much longer wavelengths, which allows the observations to be sensitive to water much deeper into the forest canopy and be directly representative of the fuel moisture content, " said Konings, who is also a center fellow, by courtesy, at Stanford Woods Institute for the Environment.

To train and validate the model, the researchers fed it three years of data for 239 sites across the American west starting in 2015, when SAR data from the European Space Agency's Sentinel-1 satellites became available. They checked its fuel moisture predictions in six common types of land cover, including broadleaf deciduous forests, needleleaf evergreen forests, shrublands, grasslands and sparse vegetation, and found they were most accurate—meaning the AI predictions most closely matched field measurements in the National Fuel Moisture Database—in shrublands.

Rich with aromatic herbs like rosemary and oregano, and often marked by short trees and steep, rocky slopes, shrublands occupy as much as 45 percent of the American West. They're not only the region's biggest ecosystem, Rao said, "they are also extremely susceptible to frequent fires since they grow back rapidly." I Californien, fires whipped to enormous size by Santa Ana winds burn in a type of shrubland known as chaparral. "This has led fire agencies to monitor them intensively, " han sagde.

The model's estimates feed into an interactive map that fire agencies may eventually be able to use to identify patterns and prioritize control measures. For nu, the map offers a dive through history, showing fuel moisture content from 2016 to 2019, but the same method could be used to display current estimates. "Creating these maps was the first step in understanding how this new fuel moisture data might affect fire risk and predictions, " Konings said. "Now we're trying to really pin down the best ways to use it for improved fire prediction."