Maskinlæringsmodel kan evaluere effektiviteten af ​​ledelsesstrategier til forebyggelse af naturbrande

Naturbrande er en voksende trussel i en verden formet af klimaændringer. Nu har forskere ved Aalto Universitetet udviklet en neural netværksmodel, der præcist kan forudsige forekomsten af ​​brande i tørveområder. De brugte den nye model til at vurdere effekten af ​​forskellige strategier til styring af brandrisiko og identificerede en række indgreb, der ville reducere brandforekomsten med 50-76 %.

Undersøgelsen fokuserede på Central Kalimantan-provinsen Borneo i Indonesien, som har den højeste tæthed af tørvebrande i Sydøstasien. Dræning til støtte for landbrug eller boligudvidelse har gjort tørvearealer mere og mere sårbare over for tilbagevendende brande. Ud over at true liv og levebrød frigiver tørvebrande betydelige mængder kuldioxid. Forebyggelsesstrategier har dog haft vanskeligheder på grund af manglen på klare, kvantificerede forbindelser mellem foreslåede indgreb og brandrisiko.

Den nye model bruger målinger taget før hver brandsæson i 2002-2019 til at forudsige fordelingen af ​​tørvebrande. Mens resultaterne bredt kan anvendes på tørvearealer andre steder, skal der foretages en ny analyse for andre sammenhænge. "Vores metodologi kunne bruges til andre sammenhænge, ​​men denne specifikke model ville skulle genoptrænes på de nye data," siger Alexander Horton, den postdoc-forsker, der udførte undersøgelsen.

Forskerne brugte et konvolutionelt neuralt netværk til at analysere 31 variabler, såsom typen af ​​jorddækning og før-brand-indekser for vegetation og tørke. Efter at være blevet trænet, forudsagde netværket sandsynligheden for en tørvebrand på hvert sted på kortet, hvilket gav en forventet fordeling af brande for året.

Samlet set var det neurale netværks forudsigelser korrekte 80-95% af tiden. Men mens modellen normalt havde ret i at forudsige en brand, gik den også glip af mange brande, der faktisk opstod. Omkring halvdelen af ​​de observerede brande blev ikke forudsagt af modellen, hvilket betyder, at den ikke er egnet som et forudsigelsessystem med tidlig varsling. Større grupper af brande havde en tendens til at blive forudsagt godt, mens isolerede brande ofte blev overset af netværket. Med yderligere arbejde håber forskerne at forbedre netværkets ydeevne, så det også kan fungere som et tidligt varslingssystem.

Holdet udnyttede det faktum, at brandforudsigelser normalt var korrekte til at teste effekten af ​​forskellige landforvaltningsstrategier. Ved at simulere forskellige indgreb fandt de ud af, at den mest effektive plausible strategi ville være at omdanne buskads og kratland til sumpskove, hvilket ville reducere brandforekomsten med 50 %. Hvis dette blev kombineret med blokering af alle drænkanaler undtagen de store, ville brande falde med 70 % i alt.

En sådan strategi ville dog have klare økonomiske ulemper. "Lokalsamfundet har et desperat behov for langsigtet, stabil dyrkning for at styrke den lokale økonomi," siger Horton.

En alternativ strategi ville være at etablere flere plantager, da velforvaltet drastisk reducerer sandsynligheden for brand. Plantagerne er dog blandt de vigtigste årsager til tab af skov, og Horton påpeger, at "plantagerne for det meste ejes af større virksomheder, ofte baseret uden for Borneo, hvilket betyder, at overskuddet ikke direkte føres tilbage til den lokale økonomi ud over leveringen af arbejdskraft til den lokale arbejdsstyrke."

I sidste ende skal brandforebyggelsesstrategier balancere risici, fordele og omkostninger, og denne forskning giver informationen til at gøre det, forklarer professor Matti Kummu, der ledede undersøgelsesholdet. "Vi forsøgte at kvantificere, hvordan de forskellige strategier ville fungere. Det handler mere om at informere politiske beslutningstagere end om at levere direkte løsninger."

Resultaterne blev offentliggjort i Communications Earth &Environment . + Udforsk yderligere

Bestræbelser på at genoprette indonesiske tørveområder kan spare milliarder i udgifter til skovbrande