Mentre la California e il West americano si dirigono verso la stagione degli incendi in mezzo alla pandemia di coronavirus, gli scienziati stanno sfruttando l'intelligenza artificiale e nuovi dati satellitari per aiutare a prevedere gli incendi in tutta la regione.

Anticipare dove è probabile che un incendio si accenda e come potrebbe diffondersi richiede informazioni sulla quantità di materiale vegetale bruciabile presente sul paesaggio e sulla sua aridità. Eppure queste informazioni sono sorprendentemente difficili da raccogliere alla scala e alla velocità necessarie per aiutare la gestione degli incendi boschivi.

Ora, un team di esperti in idrologia, il telerilevamento e l'ingegneria ambientale hanno sviluppato un modello di apprendimento profondo che mappa i livelli di umidità del carburante nei minimi dettagli in 12 stati occidentali, del Colorado, Montana, Texas e Wyoming fino alla costa del Pacifico.

I ricercatori descrivono la loro tecnica nel numero di agosto 2020 di Remote Sensing of Environment. Secondo l'autore senior dell'articolo, L'ecoidrologa della Stanford University Alexandra Konings, il nuovo set di dati prodotto dal modello potrebbe "migliorare enormemente gli studi sugli incendi".

Secondo l'autore principale del documento, Krishna Rao, un dottorato di ricerca studente di scienze del sistema terrestre a Stanford, il modello ha bisogno di più test per essere compreso nelle decisioni di gestione degli incendi che mettono in pericolo vite e abitazioni. Ma sta già illuminando schemi precedentemente invisibili. Solo essere in grado di vedere l'aridità della foresta svilupparsi pixel per pixel nel tempo, Egli ha detto, può aiutare a rivelare le aree a maggior rischio e "tracciare le posizioni candidate per le ustioni prescritte".

Il lavoro arriva in un momento di crescente urgenza per questo tipo di intuizione, poiché il cambiamento climatico estende e intensifica la stagione degli incendi boschivi e poiché la pandemia di COVID-19 in corso complica gli sforzi per prevenire grandi incendi attraverso ustioni controllate, prepararsi per le evacuazioni di massa e mobilitare i primi soccorritori.

Leggere i paesaggi aridi

Le agenzie antincendio oggi in genere misurano la quantità di prosciugato, vegetazione infiammabile in un'area basata su campioni di un piccolo numero di alberi. I ricercatori tagliano e pesano i rami degli alberi, farli asciugare in forno e poi pesarli nuovamente. "Guarda quanta massa si è persa nel forno, e questa è tutta l'acqua che c'era lì dentro, " ha detto Konings, un assistente professore di scienze del sistema terrestre presso la Stanford's School of Earth, Scienze energetiche e ambientali (Stanford Earth). "Questo è ovviamente molto laborioso, e puoi farlo solo in un paio di posti diversi, solo per alcune delle specie in un paesaggio."

Il servizio forestale degli Stati Uniti raccoglie scrupolosamente questi dati sul contenuto di acqua delle piante in centinaia di siti a livello nazionale e li aggiunge al database nazionale sull'umidità del carburante, che ha accumulato circa 200, 000 di tali misurazioni dagli anni '70. Conosciuto come contenuto di umidità del carburante vivo, la metrica è ben consolidata come un fattore che influenza il rischio di incendi boschivi. Eppure si sa poco su come varia nel tempo da una pianta all'altra o da un ecosistema all'altro.

Per decenni, gli scienziati hanno stimato indirettamente il contenuto di umidità del carburante, da ipotesi informate ma non provate sulle relazioni tra temperatura, precipitazione, l'acqua nelle piante morte e la secchezza di quelle vive. Secondo Rao, "Ora, siamo in una posizione in cui possiamo tornare indietro e testare ciò che abbiamo ipotizzato per così tanto tempo - il legame tra il clima e l'umidità del carburante vivo - in diversi ecosistemi degli Stati Uniti occidentali".

AI con un aiuto umano

Il nuovo modello utilizza quella che viene chiamata una rete neurale ricorrente, un sistema di intelligenza artificiale che può imparare a riconoscere schemi in vaste montagne di dati. Gli scienziati hanno addestrato il loro modello utilizzando i dati sul campo del National Fuel Moisture Database, quindi metterlo al lavoro stimando l'umidità del carburante da due tipi di misurazioni raccolte da sensori spaziali. Uno riguarda le misurazioni della luce visibile che rimbalza sulla Terra. L'altro, noto come radar ad apertura sintetica (SAR), misura il ritorno dei segnali radar a microonde, che può penetrare attraverso i rami frondosi fino alla superficie del terreno.

"Una delle nostre grandi scoperte è stata guardare a un nuovo set di satelliti che utilizzano lunghezze d'onda molto più lunghe, che consente alle osservazioni di essere sensibili all'acqua molto più in profondità nella volta della foresta e di essere direttamente rappresentative del contenuto di umidità del carburante, " ha detto Konings, che è anche un compagno di centro, per cortesia, allo Stanford Woods Institute for the Environment.

Per addestrare e validare il modello, 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 California, 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, " Egli ha detto.

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. Per adesso, 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."