Стоячие мертвецы: ИИ выявил главную причину лесных пожаров

Учёные из Копенгагенского университета, Дания, считают, что нашли новое объяснение природным пожарам, которые бушевали в Калифорнии в 2020 году.

Применив искусственный интеллект (ИИ) к данным аэрофотосъемки, они создали уникальный аналитический инструмент. Компьютерная программа в деталях описала гибель растительности вплоть до отдельных деревьев всего штата Калифорния. ИИ выявил массовое отмирание отдельных растений и групп деревьев среди живых. Новая модель ИИ улучшит понимание смертности деревьев и даст шанс предотвратить в глобальном масштабе уничтожение лесов засухой, насекомыми-вредителями и собственно пожарами, причём именно в такой последовательности.

Калифорния была одним из мест, наиболее пострадавших от засух и лесных пожаров: в 2020 году 4% её территории было в дыму. Теперь учёные из Копенгагенского университета представили обновлённую картину состояния калифорнийских лесов, с информацией о погибших деревьях и, возможно, новое объяснение масштабных пожаров.

Исследователи применили оптимизированную модель ИИ к подробным снимкам с высоты и составили обширную карту состояния лесов по всему штату с его более чем 90 млн деревьев. При этом удалось детализировать наличие и распространение сухостоя (мёртвых деревьев, стоящих на корню) с небывалой прежде точностью. Вместе с тем датские учёные признали, что в ходе эксперимента выявили не все погибшие деревья, если у них были некие особенности.

Доктор наук Стефани Хорион пояснила, что на спутниковых снимках с недостаточным разрешением среди зелени затеряно огромное количество сухостоя, и поодиночке, и небольшими группами всего из нескольких «мертвяков».

По словам исследовательницы, распространение пламени тесно связано с неравномерным распределением пищи для огня в лесных кварталах (квадратах) как по плотности, так и по горючести. Так возникло предположение, что разрозненные группы сухостоя служили растопкой между живыми деревьями, повлияв на интенсивность и распространение природных возгораний. Это новое знание интересно и для объяснения силы огненных катаклизмов в Калифорнии, и для выяснения самой природы гибели деревьев.

Картирование смертности деревьев по многолетним снимкам NAIP (2016, 2018, 2020,
и 2022 гг.) для пространственного подмножества исследуемой территории.

• a снимок NAIP за 2016-2020 гг.
• b прогнозы отдельных мертвых деревьев.
• c подсчет обнаруженных мертвых деревьев на гектар.
• d-g детальные представления многолетних снимков NAIP и обнаруженных мертвых деревьев:
• d наибольшая гибель по данным NAIP 2022 г.;
• e увеличение гибели деревьев с 2016 по 2022 гг;
• f уменьшение количества обнаруженных мертвых деревьев в результате ручного удаления мертвых деревьев или естественного разложения/падения мертвых деревьев;
• g, распространение гибели деревьев севера на юг. Места расположения четырех подробных видов обозначены черными ограничительными рамками на панели c для 2022 года. Крестики на панелях d-g предназначены для перекрестных ссылок на одни и те же места в сценах разных лет.

Как ни странно, понимание причин пожаров не входило в цель исследования. Вместо того, чтобы изучать такие катастрофические явления сами по себе, учёные стремились понять глобальный феномен массовой гибели деревьев, в результате которого внезапно вымирают большие площади лесов. Пугающее явление становится всё более частым и вызвано оно климатическими причинами.

Из-за впечатляющего и угрожающего характера лесных пожаров их часто ошибочно рассматривают как главную причину гибели деревьев. Целевое исследование лесов Калифорнии показало, что это не так, и даже наоборот. Новые данные привели к выводу, что засуха и последующие за ней атаки насекомых-вредителей — вот основные причины гибели лесов, сказала Хорион. Пожар — лишь следствие.

Для возникновения лесных пожаров необходимы три основных условия: сухая тёплая погода, источник возгорания — удар молнии или человеческая неосторожность— и обилие горючих материалов. Засуха ослабляет «иммунную систему» деревьев, что увеличивает риск их гибели в результате активности жуков-короедов. А мёртвые деревья хорошо горят, завершила описание последовательности событий эксперт.

В качестве примера она привела национальный парк Гарц в Германии, где засуха, а затем жуки-короеды уничтожили огромные массивы задолго до любого лесного пожара. По иронии судьбы, многие местные жители тогда были в восторге, когда там впервые обнаружили короедов, поскольку это считалось признаком здоровья лесов и биологического разнообразия. С тех пор выяснилось, что эти жуки распространяются подобно эпидемии во время засухи, и что в результате этого погибла треть деревьев в Гарце.

Мы должны извлечь из этого урок, если хотим, чтобы посадка деревьев сыграла важную роль в решении климатических проблем
— Стефани Хорион.

Учёная подчеркнула, что новая модель ИИ может стать важным инструментом в будущем, поскольку эффективное картографирование гибели деревьев способно послужить системой раннего предупреждения, чтобы вовремя вмешаться.

Для разработки нового метода первый автор исследования Янь Ченг обучил модель ИИ анализировать подробные аэрофотоснимки и распознавать признаки гибели деревьев. Территорию при этом делили на полигоны, то есть чётко очерченные участки, подходящие для обучения искусственного интеллекта. ИИ должен был в итоге распознавать деревья в различных условиях и отличать мёртвые от живых, с учётом ландшафтов и стадий отмирания. Проще говоря, этот научный подход позволяет различать полностью живые квадраты леса, мёртвые участки и кварталы со смесью сухостоя и живых деревьев.

Результат был значительным для тестирования компьютерной модели, которое состояло из большого количества высококачественных аэрофотоснимков калифорнийских лесов. Янь Ченг сказал, что результаты модели превзошли ожидания. Из 90 млн мёртвых деревьев, выявленных натренированным ИИ, около 60% остались бы незамеченными при использовании современного метода картирования нарушений лесного покрова, то есть оценки ущерба здоровью лесов.

Опробованный метод также доказал свою полезность в других частях света. Так что разработчики программы теперь проводят аналогичные исследования во многих местах по всему миру. И даже без калибровки модели для других типов лесов метод дал удивительно точные результаты. А после подгонки, с учётом местных условий и определённых типов деревьев и рельефа местности, подход будет ещё более эффективным, заверил Ченг.