Forskare vid Oak Ridge National Laboratory utvecklade en metod som använder maskininlärning för att förutsäga säsongsbetonad brandrisk i Afrika, var hälften av världens koldioxidutsläpp relaterade till skogsbränder har sitt ursprung.

Deras tillvägagångssätt bygger på data om underliggande miljöfaktorer som havstemperaturer och förändringar på landytan, förutom mer vanligt använda atmosfäriska och socioekonomiska indikatorer. Metoden gör det möjligt för forskare att få en djupare förståelse för den relativa betydelsen av olika variabler som markfuktighet och bladarea.

"Vi fann att oceanisk och terrestra dynamik är de mest kritiska faktorerna som påverkar noggrannheten i säsongsbetonade brandförutsägelser för dessa sårbara ekosystem, ", sa ORNL:s Jiafu Mao. "Störningar som brand kan ha en bestående inverkan på regionala miljöer och globala koldioxidutsläpp."

Forskarnas beräkningsramverk skulle kunna tillämpas på andra regioner eller generaliseras för att bedöma global brandrisk och informera om brandhanteringsmetoder som tar itu med miljö- och säkerhetsproblem.