Onderzoekers van het Oak Ridge National Laboratory hebben een methode ontwikkeld die machine learning gebruikt om seizoensgebonden brandrisico's in Afrika te voorspellen. waar de helft van de door bosbranden veroorzaakte CO2-uitstoot in de wereld vandaan komt.

Hun aanpak is gebaseerd op gegevens over onderliggende milieufactoren zoals oceaantemperaturen en veranderingen in het landoppervlak, naast de meer algemeen gebruikte atmosferische en sociaaleconomische indicatoren. De methode stelt wetenschappers in staat om een ​​dieper inzicht te krijgen in het relatieve belang van verschillende variabelen zoals bodemvocht en bladoppervlak.

"We ontdekten dat oceanische en terrestrische dynamiek de meest kritische factoren zijn die van invloed zijn op de nauwkeurigheid van voorspelling van seizoensbranden voor deze kwetsbare ecosystemen, "Zei Jiafu Mao van ORNL. "Verstoringen zoals vuur kunnen een blijvende impact hebben op regionale omgevingen en wereldwijde koolstofcycli."

Het rekenkader van de wetenschappers kan worden toegepast op andere regio's of worden gegeneraliseerd om het wereldwijde brandrisico te beoordelen en om brandbeheerpraktijken te informeren die milieu- en veiligheidsproblemen aanpakken.