斯坦福大学的研究人员设计了一种新的深度学习模型，它利用了12个不同州的湿度水平，以帮助预测野火，并帮助火灾管理团队赶在潜在的破坏性野火之前做出预警。

消防管理小组的目标是预测最严重的火灾可能发生的地方，以便采取预防措施。预测野火的起源点和蔓延模式要求提供有关目标区域燃料量和湿度水平的信息。收集这些数据并以对野火管理团队有用的速度进行分析是很困难的，但是深度学习模型可以帮助实现这些关键过程的自动化。

正如《未来》杂志最近报道的那样，斯坦福大学的研究人员收集了气候数据，并设计了一个模型，用于绘制12个西部州的湿度水平的详细地图，这些州包括太平洋沿岸州、德克萨斯州、怀俄明州、蒙大拿州和西南各州。据研究人员称，尽管该模型仍在进行改进，但它已经能够揭示森林火灾的高危地区，那里的区域异常干燥。

收集目标区域燃料和湿度水平数据的典型方法是通过仔细比较干枯的植被和更潮湿的植被。具体来说，研究人员从树上采集植被样本并称重。然后，将植被样品干燥并重新称重。比较干样品和湿样品的重量，以确定植被中的水分含量。这是一个漫长而复杂的过程，只有在某些地区和某些植被物种中才是可行的。然而，几十年来从这一过程中收集的数据已被用于创建国家燃料水分数据库，该数据库由20多万条记录组成。众所周知，一个地区的燃料含水量与野火的风险有关，尽管它在生态系统之间以及从一种植物到另一种植物之间的作用究竟有多大，目前还不清楚。

斯坦福大学地球系统科学博士生Krishna Rao是这项新研究的主要作者，Rao向Futurity解释说，机器学习为研究人员提供了测试不同生态系统中活燃料水分和天气之间联系的假设的能力。Rao和他的同事根据国家燃料水分数据库的数据训练了一个递归神经网络模型。然后，根据空间传感器收集的测量数据，通过估计燃料湿度水平来测试该模型。这些数据包括来自合成孔径雷达（SAR）的信号，即穿透地表的微波雷达信号，以及从行星表面反射的可见光。该模型的培训和验证数据包括从2015年开始的美国西部约240个地点的三年数据。

研究人员对不同类型的土地覆盖进行了分析，包括稀疏植被、草原、灌木丛、针叶常绿森林和阔叶落叶林。在灌木丛地区，该模型的预测是最准确、最可靠的NFMD测量值。这是幸运的，因为灌木丛约占整个美国西部生态系统的45%。灌木丛，尤其是沙巴拉灌木丛，通常特别容易受到火灾的影响，正如近年来加利福尼亚州发生的许多火灾一样。

该模型产生的预测已被用于创建一个交互式地图，消防管理机构有朝一日可以使用该地图来划分防火区域的优先次序，并识别其他相关模式。研究人员相信，经过进一步的训练和改进，这个模型可以。

正如斯坦福大学地球系统科学助理教授Alexandra Konings对《未来》杂志的解释：

“创建这些地图是理解新燃料水分数据如何影响火灾风险和预测的第一步。现在，我们正试图找出最佳的方法来改进火灾预测。”