Forudsiger brandfare

Forskere ved Oak Ridge National Laboratory udviklede en metode, der bruger maskinlæring til at forudsige sæsonbetonet brandrisiko i Afrika, hvor halvdelen af ​​verdens brande-relaterede kulstofemissioner stammer.

Deres tilgang trækker på data om underliggende miljødrivere såsom havtemperaturer og ændringer i landoverfladen ud over mere almindeligt anvendte atmosfæriske og socioøkonomiske indikatorer. Metoden giver forskere mulighed for at få en dybere forståelse af den relative betydning af forskellige variabler såsom jordfugtighed og bladareal.

"Vi fandt ud af, at oceanisk og terrestrisk dynamik er de mest kritiske faktorer, der påvirker nøjagtigheden af ​​sæsonbestemt brandforudsigelse for disse sårbare økosystemer, "sagde ORNL's Jiafu Mao." Forstyrrelser som brand kan have en varig indvirkning på regionale miljøer og global kulstofcykling. "

Forskernes beregningsramme kan anvendes på andre regioner eller generaliseres for at vurdere global brandrisiko og informere brandhåndteringspraksis, der adresserer miljø- og sikkerhedsproblemer.