Ulusal Atmosferik Araştırma Merkezi (NCAR) tarafından geliştirilen yeni bir teknik, yangın davranışını ve yayılmasını doğru bir şekilde tahmin etmek için orman yangını bilgisayar modellerinin dayandığı bitki örtüsü haritalarını verimli bir şekilde güncellemek için yapay zekayı kullanır.
Yakın tarihli bir çalışmada, bilim adamları, Colorado’daki 2020 Doğu Sorunlu Yangını kullanarak, yakıt envanterlerinde sağlıklı orman olarak yanlış tanımlanan arazileri yakan yöntemi gösterdiler. Aslında, patlayarak büyüyen yangın, kısa süre önce çam böcekleri ve fırtınalar tarafından harap edilmiş bir araziyi yaktı ve geride önemli ölü ve devrilmiş kereste parçaları bıraktı.
Araştırma ekibi, hem bölge için standart yakıt envanteri hem de yapay zeka (AI) ile güncellenen NCAR’da geliştirilen son teknoloji ürünü bir orman yangını davranış modeli tarafından oluşturulan yangın simülasyonlarını karşılaştırdı. AI ile güncellenmiş yakıtları kullanan simülasyonlar, yangının yaktığı alanı tahmin etmede önemli ölçüde daha iyi bir iş çıkardı ve sonuçta kıta bölünmesinin her iki tarafında 190.000 dönümden fazla araziye ulaştı.
NCAR bilim adamı ve baş yazar Amy DeCastro, “Orman yangını modellemesindeki ana zorluklarımızdan biri, yakıt verileri de dahil olmak üzere doğru girdi elde etmek oldu” dedi. “Bu çalışmada, makine öğrenimi ve uydu görüntülerinin birlikte kullanımının uygun bir çözüm sağladığını gösteriyoruz.”
Araştırma, NCAR’ın sponsoru olan ABD Ulusal Bilim Vakfı tarafından finanse edildi. Modelleme simülasyonları, Cheyenne sistemi üzerindeki NCAR-Wyoming Süper Hesaplama Merkezinde yürütülmüştür.
Çam böceği hasarını hesaba katmak için uyduları kullanma
Bir modelin bir orman yangınını doğru bir şekilde simüle etmesi için mevcut koşullar hakkında ayrıntılı bilgi gerekir. Buna yerel hava ve arazinin yanı sıra alevler için yakıt sağlayan bitki maddesinin özellikleri de dahildir — gerçekte ne yakılabilir ve hangi durumda. Ölü mü canlı mı? Nemli mi kuru mu? Ne tür bir bitki örtüsüdür? Burada ne kadar? Yerde katmanlı yakıt ne kadar derin?
Yakıt veri kümelerinin altın standardı, orman yangını yakıtları hakkında bilgiler de dahil olmak üzere bir dizi jeo-uzamsal veri kümesi üreten federal bir program olan LANDFIRE tarafından üretilir. Bu orman yangını yakıt veri kümelerini oluşturma süreci kapsamlıdır ve uydu görüntülerini, peyzaj simülasyonunu ve anketler sırasında şahsen toplanan bilgileri içerir. Bununla birlikte, bunları üretmek için gerekli kaynakların miktarı, pratik olarak konuşursak, sık sık güncellenemeyecekleri anlamına gelir ve ormandaki yangınlar, böcek istilaları ve gelişme dahil olmak üzere ormandaki rahatsızlık olayları bu arada mevcut yakıtları kökten değiştirebilir.
Colorado, Grand County’de başlayan ve doğuyu Rocky Mountain National Park’ta yakıp kavuran Doğu Zahmetli Yangın durumunda, en son LANDFIRE yakıt veri seti 2016’da yayınlandı. Aradan geçen dört yıl içinde, çam böcekleri geniş çapta ağaçlara neden olmuştu. Bölgede ölüm oranı.
Yakıt veri setini güncellemek için araştırmacılar, Avrupa Uzay Ajansı’nın Copernicus programının bir parçası olan Sentinel uydularına yöneldiler. Sentinel-1, bitki örtüsü tipini belirlemek için kullanılabilecek yüzey dokusu hakkında bilgi sağlar. (Örneğin, çimen, ağaçlardan çok farklı bir dokuya sahiptir.) Ve Sentinel-2, bitkinin sağlığını yeşilliğinden çıkarmak için kullanılabilecek bilgiler sağlar. Bilim adamları, uydu verilerini ABD Orman Servisi’nin Böcek ve Hastalık Tespiti Araştırması’nda eğittikleri “rastgele orman” olarak bilinen bir makine öğrenme modeline beslediler. Anket, havadan ağaç ölümlerini tahmin eden eğitimli personel tarafından yıllık olarak gerçekleştirilir.
Sonuç olarak, makine öğrenimi modeli, LANDFIRE yakıt verilerini doğru bir şekilde güncelleyebildi ve “kereste çöpü” veya “ahşap altlığı” olarak sınıflandırılan yakıtların çoğunu, yoğun ağaçların bulunduğu ormanlık bölgeler için kullanılan “keskin blöf”e dönüştürdü. ölüm.
DeCastro, “LANDFIRE verileri süper değerlidir ve üzerine inşa edilecek güvenilir bir platform sağlar.” Dedi. “Yapay zeka, verileri daha az kaynak yoğun bir şekilde güncellemek için etkili bir araç olduğunu kanıtladı.”
Olumlu bir etki için konumlandırıldı
Güncellenen yakıt envanterinin orman yangını simülasyonu üzerindeki etkisini test etmek için bilim adamları, NCAR’ın WRF-Fire olarak bilinen ve özellikle orman yangını davranışını simüle etmek için geliştirilen Hava Araştırma ve Tahmin modelinin bir versiyonunu kullandılar.
WRF-Fire, ayarlanmamış LANDFIRE yakıt veri setini kullanarak Doğu Zahmetli Yangınını simüle etmek için kullanıldığında, yangının yakacağı alan miktarını önemli ölçüde düşük tahmin etti. Model, ayarlanmış veri seti ile tekrar çalıştırıldığında, yanan alanı çok daha yüksek bir doğruluk derecesi ile tahmin edebildi, bu da ölü ve devrilmiş kerestelerin yangının yayılmasına, ağaçların hala hayatta olmasından çok daha fazla yakıt sağladığını gösteriyor. .
Şimdilik, makine öğrenimi modeli mevcut bir yakıt haritasını güncellemek için tasarlandı ve işi hızlı bir şekilde (birkaç dakika içinde) yapabilir. Ancak projenin başarısı, orman yangınları riski altındaki geniş bölgelerde yakıt haritalarını sıfırdan düzenli olarak üretmeye ve güncellemeye başlamak için bir makine öğrenimi sistemi kullanma vaadini de gösteriyor.
NCAR’daki yeni araştırma, yangın çevrelerini daha hızlı tahmin etmek için AI kullanma çabaları da dahil olmak üzere, orman yangını için olası AI uygulamalarını araştırmaya yönelik daha büyük bir eğilimin parçasıdır. NCAR araştırmacıları ayrıca, makine öğreniminin orman yangını davranış modellemesi için diğer kalıcı zorlukların çözülmesine yardımcı olabileceğinden umutlu. Örneğin, makine öğrenimi, bir yangın tarafından üretilen korların özelliklerini (ne kadar büyük, ne kadar sıcak ve ne kadar yoğun) ve bu korların nokta yangınlarına neden olma olasılığını tahmin etme yeteneğimizi geliştirebilir.
Bir çalışmanın ortak yazarı olan NCAR bilim adamı Timothy Juliano, “Bu sorunları çözmek ve insanları güvende tutmak için çok fazla teknolojimiz, çok fazla bilgi işlem gücümüz ve çok fazla kaynağımız parmaklarımızın ucunda” dedi. “Olumlu bir etki yaratmak için iyi bir konumdayız; sadece üzerinde çalışmaya devam etmemiz gerekiyor.”
