חיזוי שריפות יער באמצעות למידת מכונה

שם הדוקטורנט: אסף שמואל

שם המנחה: פרופ' איל חפץ

בשנים האחרונות מספר אזורים בעולם חוו את שריפות היער הנרחבות ביותר בתולדותיהם. מסתמן ששינויי האקלים היו וימשיכו להיות סיבה מרכזית לתופעה הזו. היכולת לחזות את שריפות היער עומדת בבסיסן של אסטרטגיות ייעור וכיבוי אש. יערנים יכולים לעשות שימוש בצעדים מניעתיים כגון שבילי אש ודילול יערות, אך המשאבים העומדים לרשותם מוגבלים ולכן יש לעשות בהם שימוש באזורים הקריטיים ביותר. חיזוי מדויק של שריפות יער יכול לסייע להם לאתר את האזורים האלו ולהשתמש במשאבים הנתונים להם בהתאם.

כמו בתחומים רבים אחרים, מדעי הנתונים טומנים בחובם פוטנציאל לשפר את יכולות החיזוי של שריפות יער באופן משמעותי. בשנים האחרונות השילוב של מערכי לוויינים יחד עם יכולות עיבוד תמונה מתקדמות אפשרו לחוקרים להפיק מסדי נתונים גלובליים הכוללים מיליוני תצפיות של שריפות יער בעולם כולו. המטרה המרכזית של עבודת הדוקטורט הזו היא לעשות שימוש בריבוי הנתונים הללו באמצעות שיטות של למידת מכונה (Machine Learning) על מנת לשפר את יכולות החיזוי של שריפת יערות.

במחקר זה נעשה שימוש במספר שיטות של למידת מכונה על מנת לחזות מאפיינים של שריפות יער בהתבסס על נתונים מטאורולוגיים, סוג צמחייה והיסטוריית שריפות אזורית. הניתוח התבצע בקנה מידה עולמי. ראשית, התמקדנו בחיזוי עצם ההתרחשות של שריפות יער, ובגודל השטח שצפוי להישרף על ידיהן. לאחר מכן, העמקנו בניתוח המשתנים המשפיעים על המודלים שפיתחנו. בעוד שההשפעה של חלק מהמשתנים על הסיכון לשריפות ידועה ומוכרת, זיהינו גם מספר תופעות פחות מוכרות שאינן משוקפות באינדקסים הקיימים, כדוגמאת הקשר הלא-לינארי בין מהירות הרוח לבין הסיכוי להצתת שריפה.

פרק נוסף במחקר מוקדש לתכנון שבילי אש. ניתחנו את השונות של כיוון התפשטות שריפות בכל אזור בעולם ואת השונות של כיווני הרוח המאפיינים מזג אוויר המעודד שריפות. הניתוח הזה מאפשר לתכנן בצורה טובה יותר את הכיוונים של שבילי האש. מצאנו שבניגוד להנחה הרווחת בתחום, במרבית האזורים בעולם הן כיווני הרוח והן כיווני התפשטות השריפות התאפיינו בשונות גבוהה.

תוצאות המחקר מעידות על הפוטנציאל הרב של שימוש בלמידת מכונה על גבי מסדי נתונים גדולים לצורך חיזוי שריפות יער ומניעתן. מהשוואה שביצענו בין תוצאות המודלים שפיתחנו לבין מספר רב של אינדקסים מסורתיים ניתן לראות שהדיוקים של המודלים מבוססי למידת מכונה גבוהים באופן ניכר. אנו מציעים לשירותים מטאורולוגיים לעבור בהדרגה לשימוש באינדקסי שריפות המבוססים על למידת מכונה.

שבעה מאמרים המבוססים על עבודת הדוקטורט התפרסמו בכתבי עת מדעיים:

Shmuel, A., & Heifetz, E. (2022). Global wildfire susceptibility mapping based on machine learning models. Forests, 13(7), 1050.‏ Available on: https://www.mdpi.com/1999-4907/13/7/1050

Shmuel, A., & Heifetz, E. (2023). Developing novel machine-learning-based fire weather indices. Machine Learning: Science and Technology, 4(1), 015029.‏ Available on: https://iopscience.iop.org/article/10.1088/2632-2153/acc008/meta

Shmuel, A., Ziv, Y., & Heifetz, E. (2022). Machine-Learning-based evaluation of the time-lagged effect of meteorological factors on 10-hour dead fuel moisture content. Forest Ecology and Management, 505, 119897.‏ Available on: https://www.sciencedirect.com/science/article/pii/S0378112721009889

Shmuel, A., & Heifetz, E. (2022). Re-examining the assumption of dominant regional wind and fire spread directions. International journal of wildland fire, 31(5), 480-491.‏ Available on: https://www.publish.csiro.au/WF/WF21070

Shmuel, A., & Heifetz, E. (2023). A Dijkstra-Based Approach to Fuelbreak Planning. Fire, 6(8), 295.‏ Available on: https://www.mdpi.com/2571-6255/6/8/295

Shmuel A, & Heifetz E. (2023). Empirical Evidence of Reduced Wildfire Ignition Risk in the Presence of Strong Winds. Fire, 6(9) ,338. Available on: https://www.mdpi.com/2571-6255/6/9/338