Tiefe kognitive Bildgebungssysteme ermöglichen die Schätzung der Brandinzidenz auf kontinentaler Ebene aus Klimadaten

Ungeplante Brände haben erhebliche Auswirkungen auf die Natur terrestrischer Ökosysteme und führen zu erheblichen Verlusten an Leben und Eigentum. Angesichts des erheblichen Einflusses klimatischer Bedingungen auf die Brandinzidenz wird erwartet, dass der Klimawandel die Brandregime in vielen Teilen der Welt erheblich verändert. Wir wollten herausfinden, ob es möglich ist, einen Prozess mit tiefen neuronalen Netzwerken zu entwickeln, um die Brandinzidenz auf kontinentaler Ebene genau aus öffentlich verfügbaren Klimadaten zu schätzen. Wir zeigen, dass ein tiefes rekurrentes Elman-Neuronales Netzwerk die beste Leistung unter zehn auf künstlichen neuronalen Netzwerken (ANN) basierenden kognitiven Bildgebungssystemen zur Bestimmung der Beziehung zwischen Brandinzidenz und Klima erbrachte. In einem Experiment mit Daten über ein Jahrzehnt zeigen wir, dass es möglich ist, hochgenaue Schätzungen der Brandinzidenz aus monatlichen Klimadatenoberflächen zu entwickeln. Unsere Schätzungen für den Kontinent Australien hatten über 90% globale Genauigkeit und ein sehr niedriges Niveau an falsch-negativen Ergebnissen. Die Technik ist somit geeignet, um die räumlichen Folgen von Klimaszenarien auf die monatliche Inzidenz von Wildfeuern im Landschaftsmaßstab zu schätzen.