Waldbrände haben die Umwelt seit Jahrtausenden geprägt, aber als Reaktion auf das heißere Klima nehmen ihre Häufigkeit, Reichweite und Intensität zu. Das Phänomen wird von Wissenschaftlern des Oak Ridge National Laboratory des Energieministeriums in hochauflösende Simulationen des Erdklimas einbezogen, mit dem Ziel, Umweltveränderungen besser zu verstehen und vorherzusagen.
Zwei Monate nach Beginn der Hauptbrandsaison im Sommer 2023 hatten kanadische Waldbrände 25 Millionen Hektar Land niedergebrannt, das Leben von Millionen Menschen beeinträchtigt und sich über die traditionellen Grenzen Westkanadas hinaus nach Osten bis nach Nova Scotia ausgebreitet. Der Rauch der Waldbrände ist in dicht besiedelte Regionen bis nach Georgia in den Vereinigten Staaten, über den Atlantik nach Europa und bis zum Polarkreis gelangt.
Die Auswirkungen werden in groß angelegte Simulationen des Erdklimas einbezogen, beispielsweise in das Energy Exascale Earth System Model des DOE, das Landprozesse wie den Kohlenstoffkreislauf widerspiegelt, um bessere Vorhersagen über das zukünftige Klima zu ermöglichen. E3SM läuft auf den schnellsten Supercomputern der Welt, darunter dem Exascale-System Frontier am ORNL, und bietet hochentwickelte Simulationen, um Umweltveränderungen, die sich auf den Energiesektor auswirken könnten, besser vorherzusagen.
Der ORNL-Wissenschaftler Jiafu Mao konzentriert sich auf die Modellierung des Erdsystems, die Verbesserung von Simulationen von Landoberflächenreaktionen und Rückmeldungen zu Umweltveränderungen. Die Modelle bewerten Synergien zwischen historischen Branddaten, Kohlenstoffemissionen, atmosphärischen Faktoren wie Temperatur und Niederschlag sowie wichtigen Landvariablen wie Vegetationszustand, Bodenfeuchtigkeit und Landnutzung. Seine Algorithmen für maschinelles Lernen haben bessere Prognosen zu Waldbränden und den damit verbundenen sozioökonomischen Risiken unterstützt, die als Leitfaden für Anpassungs- und Eindämmungsstrategien dienen können.
Einsatz von KI zur Schärfung der Waldbrandrisikoprognosen
In einem Projekt wurden diese Algorithmen angewendet, um die Sicherheit einer Reihe von Erdsystemmodellen zu verbessern und einen Anstieg der globalen Waldbrandbelastung für die Weltbevölkerung, die Bruttoinlandsproduktion und die Landwirtschaft im Vergleich zu nicht trainierten Modellen vorherzusagen. Die Untersuchung zeigte auch, dass Modelle, die nicht durch die Algorithmen eingeschränkt wurden, dazu neigten, feuerbedingte Kohlenstoffemissionen in Regionen mit spärlicher Vegetation zu überbewerten. Gleichzeitig prognostizierten die eingeschränkten Modelle einen Anstieg der Kohlenstoffemissionen durch Waldbrände in tropischen und subtropischen Regionen, da dort die dichte Vegetation austrocknet und mehr Brennstoff für Brände liefert.
„Wir wollen ein besseres Verständnis und eine bessere Vorhersage der Ursachen von Waldbränden sowie potenzieller Schwachstellen in Bezug auf die menschliche Gesundheit, das Ökosystem und die Infrastruktur erreichen“, sagte Mao. Die Herausforderung besteht darin, die Spezifität von Waldbrandsimulationen aus Datensätzen mit höherer Auflösung zu erhöhen. Es wäre hilfreich, Daten in einem zentralen Repository zu sammeln, die jetzt auf verschiedene Bundes-, Landes-, Universitäts- und nationale Laborquellen verteilt sind und an einem zentralen Ort gesammelt werden müssen, fügte er hinzu.
„Es gibt Lücken in den Beobachtungsdaten, wobei ein Großteil der weltweiten Waldbrandaufzeichnungen auf Satellitenprodukten basiert, die erst vor etwa 20 Jahren gesammelt und verfügbar gemacht wurden“, sagte Mao. „Langfristige, räumlich-zeitlich hochaufgelöste, kontinuierlich gesammelte Beobachtungen zu den Bränden selbst sowie zu Erholungsprozessen nach dem Brand sind spärlich.“
Um die Datensätze zu Waldbränden zu verbessern, haben Mao und die ORNL-Kollegin Fernanda Santos ein Programm ins Leben gerufen Fire Community-Datenbanknetzwerk Wissenschaftler und Landverwalter zu ermutigen, Umweltdaten über verbrannte Gebiete an ein zentrales Archiv zu übermitteln. Der Austausch solcher Informationen kann nicht nur die Forschung verbessern, sondern auch Landbewirtschaftungspraktiken beeinflussen.
Forrest Hoffman, der die Computational Earth Sciences-Gruppe am ORNL leitet, interessiert sich für die biogeochemischen Prozesse, einschließlich Waldbränden, die die Entwicklung des Klimas über mehrere Jahrzehnte hinweg vorantreiben. Er ist Laborforschungsleiter für den DOE Reducing Uncertainties in Biogeochemical Interactions through Synthesis and Computation Science Focus Area (RUBISCO), der Wissenschaftler aus nationalen Labors und Universitäten zusammenbringt, um Erdsystemmodelle anhand von Labor-, Feld- und Fernerkundungsdaten zu bewerten und zu verbessern.
Waldbrände sind in Erdsystemmodellen traditionell unterrepräsentiert, ein Problem, an dessen Lösung Hoffman und seine Kollegen arbeiten. „Wenn wir aus Satellitenfernerkundungsdaten die richtigen Messwerte über verbrannte Gebiete erhalten, können wir besser vorhersagen, was passieren wird, wenn sich der Klimawandel in möglichen Zukunftsszenarien weiterentwickelt“, sagte er.
Hoffman pries die maschinellen Lernmethoden, die Mao und andere Forscher im Rahmen des RUBISCO-Projekts entwickeln, als eine Möglichkeit an, Brandmetriken richtig zu machen und darzustellen.
Wie Mao erkennt Hoffman die Notwendigkeit neuer Beobachtungsdatensätze. Manchmal können Forscher auf Satellitenbildern mit sichtbaren Sensoren nicht durch den Rauch hindurchschauen, um die Brandemissionen zu bewerten. Mehr Multispektral- und Wärmebilder, die feinere Details auf Landoberflächen liefern, wären hilfreich, um Daten zu unmittelbaren und langfristigen Auswirkungen zu ergänzen, sagte Hoffman .
„Trends mit besseren Metriken und Methoden vorwarnen.“
Hoffman verfügt über umfangreiche Erfolgsbilanz bei der Auswertung von Fernerkundungsdaten zur Verbesserung des Verständnisses der Klimaentwicklung. Vor zehn Jahren war er Mitleiter der Entwicklung eines auf Satellitenbildern basierenden Visualisierungstools namens ForWarn, um Veränderungen im Waldsystem des Landes für den US Forest Service zu verfolgen. Das Tool wird laufend von ORNL aktualisiert. untersucht alle acht Tage Satellitenbilder in den Vereinigten Staaten, um Störungen zu erkennen wie Waldbrände, Insektenbefall, Wind und Hagel.
ForWarn wird vom Forstdienst verwendet, um Bedrohungen für die Waldgesundheit zu erkennen, und viele Landbewirtschaftungsbehörden und einzelne Forscher nutzen das Tool, um Störungen, Veränderungen der Landbedeckung und der Pflanzenproduktion zu erkennen und zu verfolgen.
„Das System verfolgt subtile Veränderungen im jährlichen phänologischen Zyklus“, sagte Hoffman. „Was wäre zum Beispiel, wenn das Grün der Vegetation plötzlich stärker ist als zuvor? Können wir das auf feuchteres Wetter als normal zurückführen?“ In den Great Smoky Mountains hat ForWarn einen interessanten Trend aufgedeckt, der die Vegetationsvielfalt der Region verändern könnte. „Wir sehen im Winter einen stärkeren Rückgang des Grüns, der unserer Meinung nach auf das Absterben der immergrünen Vegetation aufgrund der Hemlock-Woll-Adelgide zurückzuführen ist“, einer bekannten invasiven Art in den USA. „Diese immergrünen Pflanzen werden dann durch Laubvegetation ersetzt.“ , man sieht also mehr Saisonalität im Grün.“
Ein weiterer Datensatz, auf den Wissenschaftler auf der ganzen Welt zugreifen können, um das Ausmaß und die Schwere von Bränden zu verstehen und Schätzungen der Kohlenstoffemissionen von Bränden sowie andere Messungen zu erhalten, ist das ORNL DAAC (Distributed Active Archive Center for Biogeochemical Dynamics), das von ORNL verwaltet wird. Das ORNL DAAC ist ein Rechenzentrum innerhalb des Daten- und Informationssystems des NASA Earth Observing System.
Es ist einer der Tools, die die NASA bereitstellt um es Forschern, Ressourcenmanagern und Katastrophenmanagementteams zu ermöglichen, die Umweltbedingungen vor dem Ausbruch eines Feuers zu verstehen und zu überwachen, die Intensität und Entwicklung von Bränden während des Brennens zu messen und die Auswirkungen und Auswirkungen der Ereignisse zu bewerten.
Mao fügte hinzu: „ORNL verfügt über umfangreiche Arbeit im Bereich Waldbrände. Dafür ist jedoch eine kontinuierliche Zusammenarbeit mit unseren Kollegen im ganzen Land in nationalen Labors, Universitäten, Bundesbehörden sowie auf Landes- und lokaler Ebene und sogar mit privaten Landverwaltern erforderlich.“ um die Herausforderung zu bewältigen, diese Ereignisse besser vorherzusagen und Widerstandsfähigkeit gegenüber ihren vielfältigen Auswirkungen aufzubauen.“