När Kalifornien och den amerikanska västern går in i brandsäsongen mitt i coronavirus-pandemin, forskare utnyttjar artificiell intelligens och ny satellitdata för att hjälpa till att förutsäga eldsvådor över hela regionen.

För att förutse var en brand kan antändas och hur den kan sprida sig krävs information om hur mycket brännbart växtmaterial som finns i landskapet och dess torrhet. Men denna information är förvånansvärt svår att samla in i den skala och hastighet som är nödvändig för att hjälpa till att hantera skogsbränder.

Nu, ett team av experter inom hydrologi, fjärranalys och miljöteknik har utvecklat en modell för djupinlärning som kartlägger bränslefuktighetsnivåer i detalj över 12 västerländska stater, från Colorado, Montana, Texas och Wyoming till Stillahavskusten.

Forskarna beskriver sin teknik i augusti 2020-numret av Remote Sensing of Environment. Enligt tidningens seniorförfattare, Stanford University ekohydrolog Alexandra Konings, den nya datamängden som produceras av modellen kan "avsevärt förbättra brandstudier."

Enligt tidningens huvudförfattare, Krishna Rao, en Ph.D. student i jordsystemvetenskap vid Stanford, modellen behöver testas mer för att ta hänsyn till brandhanteringsbeslut som sätter liv och hem på spel. Men det lyser redan upp tidigare osynliga mönster. Bara att kunna se skogtorrhet utvecklas pixel för pixel över tiden, han sa, kan hjälpa till att avslöja områden med störst risk och "kartlägga kandidatplatser för föreskrivna brännskador."

Arbetet kommer i en tid av växande angelägenhet för denna typ av insikt, när klimatförändringarna förlänger och intensifierar skogsbränderna – och eftersom den pågående covid-19-pandemin komplicerar ansträngningarna att förhindra stora bränder genom kontrollerade brännskador, förbereda för massevakuering och mobilisera räddningspersonal.

Att läsa på uttorkade landskap

Brandkårer mäter idag vanligtvis mängden uttorkad, brandfarlig vegetation i ett område baserat på prover från ett litet antal träd. Forskare hugger och väger trädgrenar, torka ut dem i ugnen och väg dem sedan igen. "Du tittar på hur mycket massa som gick förlorad i ugnen, och det är allt vatten som fanns därinne, sade Konings, en biträdande professor i jordsystemvetenskap vid Stanfords School of Earth, Energi- och miljövetenskap (Stanford Earth). "Det är uppenbarligen riktigt jobbigt, och du kan bara göra det på ett par olika ställen, för bara några av arterna i ett landskap."

U.S. Forest Service samlar omsorgsfullt in denna växtvatteninnehållsdata på hundratals platser över hela landet och lägger till dem i National Fuel Moisture Database, som har samlat cirka 200, 000 sådana mätningar sedan 1970-talet. Känd som levande bränsle fukthalt, måttet är väl etablerat som en faktor som påverkar risken för skogsbränder. Ändå är lite känt om hur det varierar över tiden från en växt till en annan - eller från ett ekosystem till ett annat.

I årtionden, forskare har uppskattat bränslefuktigheten indirekt, från informerade men obevisade gissningar om samband mellan temperatur, nederbörd, vatten i döda växter och torrheten hos levande. Enligt Rao, "Nu, vi är i en position där vi kan gå tillbaka och testa vad vi har antagit så länge - kopplingen mellan väder och levande bränslefukt - i olika ekosystem i västra USA."

AI med en mänsklig assist

Den nya modellen använder det som kallas ett återkommande neuralt nätverk, ett artificiellt intelligenssystem som kan lära sig känna igen mönster i stora berg av data. Forskarna tränade sin modell med hjälp av fältdata från National Fuel Moisture Database, sätt sedan igång det med att uppskatta bränslefuktigheten från två typer av mätningar som samlats in av rymdburna sensorer. Den ena innebär mätningar av synligt ljus som studsar från jorden. Den andra, känd som syntetisk bländarradar (SAR), mäter återgången av mikrovågsradarsignaler, som kan tränga igenom lummiga grenar ända till markytan.

"One of our big breakthroughs was to look at a newer set of satellites that are using much longer wavelengths, 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." I Kalifornien, 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, " han sa.

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. For now, 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."