Terwijl Californië en het Amerikaanse Westen het vuurseizoen ingaan te midden van de pandemie van het coronavirus, wetenschappers maken gebruik van kunstmatige intelligentie en nieuwe satellietgegevens om branden in de regio te helpen voorspellen.

Om te anticiperen op waar een brand waarschijnlijk zal ontbranden en hoe deze zich zou kunnen verspreiden, is informatie nodig over hoeveel brandbaar plantaardig materiaal er in het landschap aanwezig is en hoe droog het is. Toch is deze informatie verrassend moeilijk te verzamelen op de schaal en snelheid die nodig zijn om natuurbranden te beheersen.

Nutsvoorzieningen, een team van experts in hydrologie, remote sensing en milieutechniek hebben een diepgaand lerend model ontwikkeld dat het brandstofvochtigheidsniveau in detail in kaart brengt in 12 westelijke staten, uit Colorado, Montana, Texas en Wyoming naar de Pacifische kust.

De onderzoekers beschrijven hun techniek in het nummer van Remote Sensing of Environment van augustus 2020. Volgens de senior auteur van het artikel, Stanford University ecohydroloog Alexandra Konings, de nieuwe dataset die door het model wordt geproduceerd, zou "brandstudies enorm kunnen verbeteren".

Volgens de hoofdauteur van het artikel, Krishna Rao, een doctoraat student in Aardsysteemwetenschap aan Stanford, het model moet meer worden getest om te worden meegenomen in beslissingen over brandbeheer die levens en huizen op het spel zetten. Maar het verlicht al eerder onzichtbare patronen. Gewoon in staat zijn om de droogte van het bos pixel voor pixel te zien ontvouwen in de tijd, hij zei, kan helpen om gebieden met het grootste risico te onthullen en "kandidaatlocaties voor voorgeschreven brandwonden in kaart te brengen".

Het werk komt in een tijd van groeiende urgentie voor dit soort inzicht, nu klimaatverandering het natuurbrandseizoen verlengt en intensiveert – en aangezien de aanhoudende COVID-19-pandemie de inspanningen om grote branden te voorkomen door gecontroleerde brandwonden bemoeilijkt, bereid je voor op massale evacuaties en mobiliseer eerstehulpverleners.

Lezen over uitgedroogde landschappen

Brandweerbureaus meten tegenwoordig meestal de hoeveelheid uitgedroogde, brandbare vegetatie in een gebied op basis van monsters van een klein aantal bomen. Onderzoekers hakken en wegen boomtakken, droog ze in een oven en weeg ze opnieuw. "Als je kijkt hoeveel massa er verloren is gegaan in de oven, en dat is al het water dat erin zat, " zei Konings, een assistent-professor aardsysteemwetenschap in Stanford's School of Earth, Energie- en milieuwetenschappen (Stanford Earth). "Dat is natuurlijk heel omslachtig, en dat kan maar op een paar verschillende plaatsen, voor slechts enkele soorten in een landschap."

De U.S. Forest Service verzamelt nauwgezet deze gegevens over het watergehalte van planten op honderden locaties in het hele land en voegt ze toe aan de National Fuel Moisture Database, die er zo'n 200 heeft verzameld, 000 dergelijke metingen sinds de jaren 1970. Bekend als het vochtgehalte van levende brandstof, de statistiek is goed ingeburgerd als een factor die het risico op natuurbranden beïnvloedt. Toch is er weinig bekend over hoe het in de loop van de tijd varieert van plant tot plant, of van het ene ecosysteem tot het andere.

Al decenia, wetenschappers hebben het vochtgehalte van de brandstof indirect geschat, van geïnformeerde maar onbewezen gissingen over relaties tussen temperatuur, neerslag, water in dode planten en de droogte van levende planten. Volgens Rao, "Nutsvoorzieningen, we bevinden ons in een positie waarin we terug kunnen gaan en kunnen testen wat we al zo lang aannemen - het verband tussen weer en levend brandstofvocht - in verschillende ecosystemen van het westen van de Verenigde Staten."

AI met een menselijke assistent

Het nieuwe model gebruikt een zogenaamd terugkerend neuraal netwerk, een artificieel intelligentiesysteem dat patronen kan leren herkennen in enorme bergen data. De wetenschappers hebben hun model getraind met behulp van veldgegevens uit de National Fuel Moisture Database, zet het vervolgens aan het werk door het brandstofvocht te schatten op basis van twee soorten metingen die zijn verzameld door sensoren in de ruimte. Een daarvan omvat metingen van zichtbaar licht dat van de aarde weerkaatst. De andere, bekend als synthetische apertuurradar (SAR), meet de terugkeer van microgolfradarsignalen, die door lommerrijke takken helemaal tot aan het grondoppervlak kan doordringen.

"Een van onze grote doorbraken was om te kijken naar een nieuwere reeks satellieten die veel langere golflengten gebruiken, which allows the observations to be sensitive to water much deeper into the forest canopy and be directly representative of the fuel moisture content, " said Konings, who is also a center fellow, by courtesy, at Stanford Woods Institute for the Environment.

To train and validate the model, the researchers fed it three years of data for 239 sites across the American west starting in 2015, when SAR data from the European Space Agency's Sentinel-1 satellites became available. They checked its fuel moisture predictions in six common types of land cover, including broadleaf deciduous forests, needleleaf evergreen forests, shrublands, grasslands and sparse vegetation, and found they were most accurate—meaning the AI predictions most closely matched field measurements in the National Fuel Moisture Database—in shrublands.

Rich with aromatic herbs like rosemary and oregano, and often marked by short trees and steep, rocky slopes, shrublands occupy as much as 45 percent of the American West. They're not only the region's biggest ecosystem, Rao said, "they are also extremely susceptible to frequent fires since they grow back rapidly." In Californië, fires whipped to enormous size by Santa Ana winds burn in a type of shrubland known as chaparral. "This has led fire agencies to monitor them intensively, " hij zei.

The model's estimates feed into an interactive map that fire agencies may eventually be able to use to identify patterns and prioritize control measures. Voor nu, the map offers a dive through history, showing fuel moisture content from 2016 to 2019, but the same method could be used to display current estimates. "Creating these maps was the first step in understanding how this new fuel moisture data might affect fire risk and predictions, " Konings said. "Now we're trying to really pin down the best ways to use it for improved fire prediction."