Wissenschaftler verwenden KI, um Datenvegetationskarten für verbesserte Waldbrandprognosen zu aktualisieren

Eine neue Technik, die vom National Center for Atmospheric Research (NCAR) entwickelt wurde, verwendet künstliche Intelligenz, um die Vegetationskarten effizient zu aktualisieren, auf die sich Computermodelle für Waldbrände verlassen, um das Verhalten und die Ausbreitung von Bränden genau vorherzusagen.

In einer kürzlich durchgeführten Studie demonstrierten Wissenschaftler die Methode anhand des East Troublesome Fire 2020 in Colorado, das Land durchbrannte, das in Brennstoffinventaren fälschlicherweise als gesunder Wald eingestuft wurde. Tatsächlich versengte das Feuer, das explosionsartig anwuchs, eine Landschaft, die kürzlich von Kiefernkäfern und Stürmen verwüstet worden war, und hinterließ beträchtliche Schwaden von totem und umgestürztem Holz.

Das Forschungsteam verglich Simulationen des Feuers, das von einem hochmodernen Verhaltensmodell für Waldbrände erzeugt wurde, das am NCAR entwickelt wurde, wobei sowohl das Standard-Brennstoffinventar für das Gebiet als auch eines, das mit künstlicher Intelligenz (KI) aktualisiert wurde, verwendet wurden. Die Simulationen, die die KI-aktualisierten Brennstoffe verwendeten, konnten das vom Feuer verbrannte Gebiet deutlich besser vorhersagen, das schließlich auf mehr als 190.000 Morgen Land auf beiden Seiten der kontinentalen Wasserscheide anwuchs.

„Eine unserer größten Herausforderungen bei der Modellierung von Waldbränden bestand darin, genaue Eingaben zu erhalten, einschließlich Brennstoffdaten“, sagte NCAR-Wissenschaftlerin und Hauptautorin Amy DeCastro. „In dieser Studie zeigen wir, dass der kombinierte Einsatz von maschinellem Lernen und Satellitenbildern eine praktikable Lösung darstellt.“

Die Forschung wurde von der US National Science Foundation finanziert, die der Sponsor von NCAR ist. Die Modellsimulationen wurden am NCAR-Wyoming Supercomputing Center auf dem Cheyenne-System durchgeführt.

Verwendung von Satelliten zur Berücksichtigung von Schäden durch Kiefernkäfer

Damit ein Modell einen Waldbrand genau simulieren kann, sind detaillierte Informationen über die aktuellen Bedingungen erforderlich. Dazu gehören das örtliche Wetter und Gelände sowie die Eigenschaften des Pflanzenmaterials, das den Flammen Brennstoff liefert – was tatsächlich zum Verbrennen verfügbar ist und in welchem ​​Zustand es sich befindet. Ist es tot oder lebendig? Ist es feucht oder trocken? Um welche Vegetation handelt es sich? Wieviel ist da? Wie tief ist der Brennstoff auf dem Boden geschichtet?

Der Goldstandard für Brennstoffdatensätze wird von LANDFIRE erstellt, einem Bundesprogramm, das eine Reihe von Geodatensätzen erstellt, die Informationen über Waldbrandbrennstoffe enthalten. Der Prozess zur Erstellung dieser Waldbrand-Brennstoff-Datensätze ist umfangreich und umfasst Satellitenbilder, Landschaftssimulationen und Informationen, die persönlich bei Vermessungen gesammelt wurden. Aufgrund der Menge an Ressourcen, die für ihre Herstellung erforderlich sind, können sie jedoch praktisch nicht häufig aktualisiert werden, und Störereignisse im Wald – einschließlich Waldbrände, Insektenbefall und Bebauung – können die verfügbaren Brennstoffe zwischenzeitlich radikal verändern.

Im Fall des East Troublesome Fire, das in Grand County, Colorado, begann und nach Osten in den Rocky Mountain National Park brannte, wurde der neueste LANDFIRE-Brennstoffdatensatz im Jahr 2016 veröffentlicht. In den dazwischen liegenden vier Jahren hatten die Kiefernkäfer weit verbreitete Bäume verursacht Sterblichkeit in der Gegend.

Um den Brennstoffdatensatz zu aktualisieren, wandten sich die Forscher den Sentinel-Satelliten zu, die Teil des Copernicus-Programms der Europäischen Weltraumorganisation sind. Sentinel-1 liefert Informationen über die Oberflächentextur, die zur Identifizierung des Vegetationstyps verwendet werden können. (Gras hat zum Beispiel eine ganz andere Textur als Bäume.) Und Sentinel-2 liefert Informationen, die verwendet werden können, um aus ihrer Grünheit auf die Gesundheit der Pflanze zu schließen. Die Wissenschaftler speisten die Satellitendaten in ein maschinelles Lernmodell ein, das als „Random Forest“ bekannt ist und das sie im Rahmen der Insekten- und Krankheitserkennungsstudie des US Forest Service trainiert hatten. Die Erhebung wird jährlich von geschultem Personal durchgeführt, das die Baumsterblichkeit aus der Luft schätzt.

Das Ergebnis war, dass das maschinelle Lernmodell in der Lage war, die LANDFIRE-Brennstoffdaten genau zu aktualisieren und die Mehrheit der Brennstoffe, die als „Holzstreu“ oder „Holzunterholz“ kategorisiert wurden, in „Slash Blowdown“ umzuwandeln, die Bezeichnung, die für bewaldete Regionen mit starkem Baumbestand verwendet wird Sterblichkeit. „Die LANDFIRE-Daten sind äußerst wertvoll und bieten eine zuverlässige Plattform, auf der man aufbauen kann“, sagte DeCastro. „Künstliche Intelligenz hat sich als effektives Werkzeug erwiesen, um die Daten weniger ressourcenintensiv zu aktualisieren.“

Für eine positive Wirkung positioniert

Um die Auswirkungen zu testen, die der aktualisierte Brennstoffbestand auf die Waldbrandsimulation haben würde, verwendeten die Wissenschaftler eine Version des Wetterforschungs- und -vorhersagemodells von NCAR, bekannt als WRF-Fire, das speziell entwickelt wurde, um das Verhalten von Waldbränden zu simulieren.

Als WRF-Fire verwendet wurde, um das East Troublesome Fire mit dem nicht angepassten LANDFIRE-Brennstoffdatensatz zu simulieren, wurde die Größe der Fläche, die das Feuer brennen würde, erheblich unterschätzt. Als das Modell erneut mit dem angepassten Datensatz ausgeführt wurde, war es in der Lage, die verbrannte Fläche mit einem viel größeren Grad an Genauigkeit vorherzusagen, was darauf hindeutet, dass das tote und heruntergefallene Holz viel mehr zur Ausbreitung des Feuers beigetragen hat, als wenn die Bäume noch am Leben gewesen wären .

Im Moment ist das maschinelle Lernmodell darauf ausgelegt, eine vorhandene Kraftstoffkarte zu aktualisieren, und es kann die Arbeit schnell (innerhalb von Minuten) erledigen. Aber der Erfolg des Projekts zeigt auch das Versprechen, ein maschinelles Lernsystem zu verwenden, um damit zu beginnen, Kraftstoffkarten von Grund auf regelmäßig von Grund auf neu zu erstellen und zu aktualisieren, und zwar über große Regionen, die von Waldbränden bedroht sind.

Die neue Forschung am NCAR ist Teil eines größeren Trends zur Untersuchung möglicher KI-Anwendungen für Waldbrände, einschließlich der Bemühungen, KI zur schnelleren Schätzung von Brandumfängen einzusetzen. NCAR-Forscher hoffen auch, dass maschinelles Lernen dazu beitragen kann, andere anhaltende Herausforderungen für die Modellierung des Verhaltens von Waldbränden zu lösen. Beispielsweise kann maschinelles Lernen unsere Fähigkeit verbessern, die Eigenschaften der von einem Feuer erzeugten Glut (wie groß, wie heiß und wie dicht) sowie die Wahrscheinlichkeit, dass diese Glut Punktbrände verursachen könnte, vorherzusagen.

„Wir haben so viel Technologie und so viel Rechenleistung und so viele Ressourcen zur Verfügung, um diese Probleme zu lösen und die Sicherheit der Menschen zu gewährleisten“, sagte NCAR-Wissenschaftler Timothy Juliano, ein Co-Autor der Studie. „Wir sind gut aufgestellt, um einen positiven Einfluss auszuüben, wir müssen nur weiter daran arbeiten.“

Die Studie wurde veröffentlicht in Fernerkundung.