在冠状病毒大流行的背景下，加利福尼亚和美国西部进入了火灾季节，科学家们正在利用人工智能和新的卫星数据来帮助预测整个地区的火灾。
要预测火可能在哪里点燃以及如何蔓延，就需要了解景观中有多少可燃植物材料以及其干燥程度。然而，要想以必要的规模和速度收集这些信息，以帮助野火管理，却是非常困难的。
现在，一个由水文、遥感和环境工程专家组成的团队已经开发出一种深度学习模型，能够精确绘制出西部12个州(从科罗拉多、蒙大拿、德克萨斯、怀俄明到太平洋沿岸)的燃料湿度水平。
研究人员在2020年8月出版的《环境遥感》杂志上描述了他们的技术。根据这篇论文的资深作者，斯坦福大学生态水文学者Alexandra Konings的说法，这个模型产生的新数据集可以“极大地改善火灾研究”。
该论文的第一作者、斯坦福大学地球系统科学博士生Krishna Rao表示，该模型还需要更多的测试，杏耀才能纳入将生命和房屋置于危险境地的火灾管理决策中。但它已经照亮了以前看不见的模式。他说，随着时间的推移，只要能够逐像素地观察森林的干燥情况，就可以帮助揭示出风险最大的区域，并“为规定的烧伤绘制出候选位置”。
这项工作的开展正值这种认识的紧迫性日益增强之际，因为气候变化延长并加剧了野火季节，而且当前的COVID-19大流行加大了通过受控燃烧防止大规模火灾、准备大规模疏散和动员应急人员的努力。
阅读干枯的风景
如今，消防机构通常会根据一小部分树木的样本来判断该地区的干燥可燃植被的数量。研究人员砍下树枝并称重，在烤箱中烘干，然后再称重。斯坦福大学地球、能源与环境科学学院(Stanford Earth)的地球系统科学助理教授柯宁斯(Konings)说:“你看看烤箱里损失了多少质量，那就是里面所有的水。”“这显然是非常费力的，你只能在几个不同的地方这样做，只对景观中的一些物种有效。”
美国林务局煞费苦心地在全国数百个地点收集这种植物的含水量数据，并将它们加入到国家燃料水分数据库中。自20世纪70年代以来，该数据库已经收集了大约20万个这样的测量数据。被称为活燃料含水量的度量标准是影响火灾风险的一个重要因素。然而，人们对它如何随时间从一种植物到另一种植物，或从一个生态系统到另一个生态系统的变化知之甚少。
几十年来，科学家们一直在间接地估算燃料的水分含量，依据的是有关温度、降水、枯死植物的水分和活植物的干燥度之间关系的推测，但这些推测尚未得到证实。拉奥说:“现在，我们可以回到过去，在美国西部的不同生态系统中测试我们长期以来的假设——天气和燃料湿度之间的联系。”
人工智能有人类辅助
新的模型使用了所谓的递归神经网络，这是一种人工智能系统，可以学习识别海量数据中的模式。科学家们使用来自国家燃料湿度数据库的现场数据训练他们的模型，然后将其用于从太空传感器收集的两种测量数据中估算燃料湿度。一种是测量可见光在地球上的反射。另一种被称为合成孔径雷达(SAR)，它测量微波雷达信号的返回，这些信号可以穿透枝叶，直达地面。
“我们的一个重大突破就是看一套新的卫星使用更长的波长,它允许对水敏感的观察更深森林树冠层和直接代表燃料含水量,“Konings说,中心研究员,礼貌,斯坦福研究所森林环境。
为了训练和验证这个模型，研究人员从2015年开始，向它提供了美国西部239个地点的三年数据，从欧洲航天局(European Space Agency)的Sentinel-1卫星获得的SAR数据开始。他们检查了6种常见土地覆盖类型的燃料湿度预测，包括阔叶落叶林、针叶常绿林、灌木地、草地和稀疏植被，杏耀平台发现它们在灌木地是最准确的——这意味着人工智能预测与国家燃料湿度数据库中的野外测量最接近。
灌木富含迷迭香和牛至等芳香草本植物，通常以矮小的树木和陡峭的岩石斜坡为特征，占据了美国西部多达45%的土地。拉奥说，它们不仅是该地区最大的生态系统，“而且由于生长迅速，极易受到频繁火灾的影响。”在加利福尼亚，被圣塔安娜风吹成巨大规模的大火在一种被称为chaparral的灌木丛中燃烧。“这使得消防机构对他们进行了严密的监控，”他说。
该模型的估计数据被输入到一个交互式地图中，消防机构最终可能能够使用它来识别模式并确定控制措施的优先级。目前，
杏耀注册 ，该地图提供了对历史的纵深分析，显示了2016年到2019年的燃料含水量，但同样的方法也可以用来显示当前的估算值。“创建这些地图是了解这些新的燃料湿度数据如何影响火灾风险和预测的第一步，”柯宁斯说。“现在我们正试图确定使用它来提高火灾预测的最佳方式。”
