Modello AI utilizzato per mappare la secchezza delle foreste, prevedere incendi
Un nuovo modello di apprendimento profondo progettato da ricercatori dell’Università di Stanford sfrutta i livelli di umidità in 12 diversi stati per aiutare a prevedere gli incendi e aiutare i team di gestione degli incendi a superare gli incendi potenzialmente distruttivi.
I team di gestione degli incendi mirano a prevedere dove potrebbero verificarsi i peggiori incendi, al fine di poter eseguire misure preventive come ustioni prescritte. La previsione dei punti di origine e la diffusione dei modelli per gli incendi richiedono informazioni su quantità di carburante e livelli di umidità per la regione target. Raccogliere questi dati e analizzarli alla velocità richiesta per essere utili ai team di gestione degli incendi è difficile, ma i modelli di deep learning potrebbero aiutare ad automatizzare questi processi critici.
Come recentemente riportato da Futurity , i ricercatori dell’Università di Stanford hanno raccolto dati climatici e progettato un modello inteso a rendere dettagliate le mappe dei livelli di umidità in 12 stati occidentali, inclusi gli stati della costa del Pacifico, il Texas, il Wyoming, il Montana e gli stati del sud-ovest. Secondo i ricercatori, sebbene il modello sia ancora in fase di perfezionamento, è già in grado di rivelare aree ad alto rischio di incendi boschivi in cui il paesaggio è insolitamente secco.
Il metodo tipico di raccolta dei dati relativi ai livelli di carburante e umidità per una regione target consiste nel confrontare scrupolosamente la vegetazione secca con una vegetazione più umida. In particolare, i ricercatori raccolgono campioni di vegetazione dagli alberi e li pesano. Successivamente, i campioni di vegetazione vengono essiccati e pesati nuovamente. Vengono confrontati il peso dei campioni secchi e i campioni bagnati per determinare la quantità di umidità nella vegetazione. Questo processo è lungo e complesso, praticabile solo in alcune aree e per alcune specie di vegetazione. Tuttavia, i dati raccolti da decenni di questo processo sono stati utilizzati per creare il database nazionale sull’umidità del carburante, composto da oltre 200.000 registrazioni. È noto che il contenuto di umidità del carburante di una regione è legato al rischio di incendi,
Krishna Rao, dottoranda in scienze dei sistemi terrestri a Stanford era l’autore principale o il nuovo studio, e Rao ha spiegato a Futurity che l’apprendimento automaticooffre ai ricercatori la capacità di testare ipotesi sui collegamenti tra umidità del combustibile vivo e condizioni meteorologiche per diversi ecosistemi. Rao e colleghi hanno formato un modello di rete neurale ricorrente sui dati del National Fuel Moisture Database. Il modello è stato quindi testato stimando i livelli di umidità del carburante in base alle misurazioni raccolte dai sensori spaziali. I dati includevano segnali provenienti dal radar ad apertura sintetica (SAR), che sono segnali radar a microonde che penetrano nella superficie e luce visibile che rimbalza sulla superficie del pianeta. I dati di formazione e convalida per il modello consistevano in tre anni di dati per circa 240 siti negli Stati Uniti occidentali a partire dal 2015.
I ricercatori hanno eseguito analisi su vari tipi di copertura del suolo, tra cui vegetazione sparsa, praterie, arbusti, foreste sempreverdi aghi e foreste decidue a foglia larga. Le previsioni del modello erano le più accurate, più attendibilmente corrispondenti alla misurazione NFMD, sulle regioni arbustive. Questo è fortunato, dato che gli arbusti rappresentano circa il 45% degli ecosistemi trovati in tutto l’ovest degli Stati Uniti. Gli arbusti, in particolare gli arbusti chaparral, sono spesso particolarmente sensibili al fuoco, come si è visto in molti degli incendi che hanno bruciato in tutta la California negli ultimi anni.
Le previsioni generate dal modello sono state utilizzate per creare una mappa interattiva che un giorno le agenzie di gestione degli incendi potrebbero utilizzare per dare priorità alle regioni per il controllo degli incendi e discernere altri schemi rilevanti. I ricercatori ritengono che con un ulteriore addestramento e perfezionamento il modello potrebbe.
Come ha spiegato a Futurity Alexandra Konings, assistente professore di scienza dei sistemi terrestri a Stanford :
“La creazione di queste mappe è stata il primo passo per comprendere in che modo questi nuovi dati relativi all’umidità del carburante potrebbero influenzare il rischio e le previsioni di incendio. Ora stiamo cercando di individuare davvero i modi migliori per utilizzarlo per una migliore previsione del fuoco. “
