p Enquanto a Califórnia e o oeste americano entram na temporada de incêndios em meio à pandemia de coronavírus, os cientistas estão aproveitando a inteligência artificial e novos dados de satélite para ajudar a prever incêndios em toda a região. p Antecipar onde é provável que o fogo acenda e como pode se espalhar requer informações sobre a quantidade de material vegetal queimável existe na paisagem e sua secura. No entanto, essas informações são surpreendentemente difíceis de coletar na escala e na velocidade necessárias para ajudar no gerenciamento de incêndios florestais.

p Agora, uma equipe de especialistas em hidrologia, sensoriamento remoto e engenharia ambiental desenvolveram um modelo de aprendizado profundo que mapeia os níveis de umidade do combustível em detalhes finos em 12 estados ocidentais, do Colorado, Montana, Texas e Wyoming até a costa do Pacífico.

p Os pesquisadores descrevem sua técnica na edição de agosto de 2020 da Remote Sensing of Environment. De acordo com o autor sênior do artigo, Alexandra Konings, eco-hidrologista da Universidade de Stanford, o novo conjunto de dados produzido pelo modelo poderia "melhorar enormemente os estudos de incêndio".

p De acordo com o autor principal do artigo, Krishna Rao, um Ph.D. estudante de ciência do sistema terrestre em Stanford, o modelo precisa de mais testes para definir as decisões de gerenciamento de incêndio que colocam vidas e lares em risco. Mas já está iluminando padrões anteriormente invisíveis. Ser capaz de ver a secura da floresta se desdobrando pixel por pixel ao longo do tempo, ele disse, pode ajudar a revelar as áreas de maior risco e "mapear os locais candidatos para queimaduras prescritas".

p O trabalho chega em um momento de crescente urgência por esse tipo de percepção, à medida que a mudança climática estende e intensifica a temporada de incêndios florestais - e como a pandemia de COVID-19 em curso complica os esforços para prevenir grandes incêndios por meio de queimadas controladas, prepare-se para evacuações em massa e mobilize os primeiros respondentes.

p Obtendo uma leitura sobre paisagens ressecadas

p Os bombeiros de hoje geralmente avaliam a quantidade de material seco, vegetação inflamável em uma área com base em amostras de um pequeno número de árvores. Os pesquisadores cortam e pesam galhos de árvores, seque-os no forno e pese-os novamente. "Você olha quanta massa foi perdida no forno, e essa é toda a água que estava lá, "disse Konings, professor assistente de ciência do sistema terrestre na Escola da Terra de Stanford, Energia e Ciências Ambientais (Stanford Earth). "Isso é obviamente muito trabalhoso, e você só pode fazer isso em alguns lugares diferentes, para apenas algumas das espécies em uma paisagem. "

p O Serviço Florestal dos EUA coleta meticulosamente esses dados de conteúdo de água da planta em centenas de locais em todo o país e os adiciona ao Banco de Dados Nacional de Umidade de Combustível, que acumulou cerca de 200, 000 dessas medições desde os anos 1970. Conhecido como teor de umidade do combustível vivo, a métrica está bem estabelecida como um fator que influencia o risco de incêndio florestal. Ainda assim, pouco se sabe sobre como isso varia ao longo do tempo de uma planta para outra - ou de um ecossistema para outro.

p Por décadas, os cientistas estimaram o teor de umidade do combustível indiretamente, de suposições informadas, mas não comprovadas sobre as relações entre a temperatura, precipitação, água nas plantas mortas e a secura das vivas. De acordo com Rao, "Agora, estamos em uma posição em que podemos voltar e testar o que temos presumido por tanto tempo - a ligação entre o clima e a umidade do combustível vivo - em diferentes ecossistemas do oeste dos Estados Unidos. "

p IA com ajuda humana

p O novo modelo usa o que é chamado de rede neural recorrente, um sistema de inteligência artificial que pode aprender a reconhecer padrões em vastas montanhas de dados. Os cientistas treinaram seu modelo usando dados de campo do Banco de Dados Nacional de Umidade do Combustível, em seguida, coloque-o para trabalhar estimando a umidade do combustível a partir de dois tipos de medições coletadas por sensores espaciais. Um envolve medições da luz visível refletida na Terra. O outro, conhecido como radar de abertura sintética (SAR), mede o retorno de sinais de radar de microondas, que pode penetrar por meio de galhos com folhas até a superfície do solo.

p "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.

p 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.

p 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." Em califórnia, 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, " ele disse.

p 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."