05.10.2022
Наш канал в Telegram: https://t.me/berzaru

Машинное обучение оценило эффективность стратегий по предотвращению лесных пожаров

Targeted land management strategies

Лесные пожары представляют собой растущую угрозу в мире, сформированном изменением климата. Исследователи из Университета Аалто разработали модель машинного обучения, которая может точно предсказывать возникновение пожаров на торфяниках. Они использовали новую модель для оценки влияния различных стратегий управления рисками пожаров и определили набор мер, которые снизят количество пожаров на 50–76%. Результаты были опубликованы в журнале Communications Earth & Environment.

Исследование было сосредоточено на провинции Центральный Калимантан на острове Борнео в Индонезии, где наблюдается самая высокая плотность торфяных пожаров в Юго-Восточной Азии. Осушение для поддержки сельского хозяйства или расширения жилых домов сделало торфяники всё более уязвимыми для повторяющихся пожаров. Помимо угрозы жизни пожары на торфяниках выделяют значительное количество углекислого газа. Однако стратегии предотвращения столкнулись с трудностями из-за отсутствия чётких количественных связей между предлагаемыми вмешательствами и риском возникновения пожара.

В новой модели используются измерения, проведённые перед каждым сезоном пожаров в 2002–2019 гг., для прогнозирования распространения пожаров на торфяниках. Хотя результаты могут быть широко применены к торфяникам в других местах, для других контекстов необходимо провести новый анализ. Исследователи использовали свёрточную нейронную сеть для анализа 31 переменной, такой как тип земного покрова и допожарные индексы растительности и засухи. После обучения нейросеть предсказала вероятность пожара на торфянике в каждой точке на карте, получив ожидаемое распределение пожаров в течение года.

В целом предсказания нейронной сети были верны в 80–95% случаев. Однако, хотя модель обычно правильно предсказывала возгорание, она также пропускала многие возгорания, которые действительно произошли. Около половины наблюдаемых пожаров не были предсказаны моделью, а это означает, что она не подходит в качестве системы прогнозирования раннего предупреждения. Большие группы пожаров, как правило, хорошо предсказывались, в то время как отдельные пожары часто пропускались нейросетью. В ходе дальнейшей работы исследователи надеются улучшить производительность нейросети, чтобы она также могла служить системой раннего предупреждения.