研究人员报告称，一项新技术可以在野火点燃的瞬间预测其最终规模。
该模型基于机器学习算法构建，有助于在野火燃尽时预判其属于小型、中型还是大型——这些信息对负责调配稀缺消防资源的人员十分有用。
“一个有用的类比是思考社交媒体上什么因素会使某个内容走红，”第一作者、加州大学欧文分校地球系统科学博士生谢恩·科菲尔德（Shane Coffield）说，“我们可以思考某条推文或帖子具有哪些特性会使其爆红，以及如何在其发布时或发布前夕预测这一点。”
同时发生的多场野火
研究人员将这一思路应用于一种假设情境，即数十场火灾同时爆发。这听起来极端，但近年来，随着气候变化导致局部地区出现炎热干燥的地面条件，从而使该地区面临极高的起火风险，此类情境在美国西部部分地区已变得屡见不鲜。
“其中只有少数火灾会真正蔓延开来，并造成大部分过火面积，因此我们采用了这一新方法，专注于识别那些最有可能失控的特定起火点，”科菲尔德说。
该团队选择阿拉斯加作为项目研究区域，因为过去十年间，该州北方针叶林中接连不断的同时发生的火灾一直困扰着该州，威胁人类健康和脆弱的生态系统。
新模型的核心是一种“决策树”算法。研究人员将气候数据以及有关大气条件和火源周边植被类型的关键细节输入该算法，从而能够在50%的情况下预测火灾的最终规模。一个关键变量是火灾发生后最初六天内的蒸气压亏缺——即该区域的水分究竟有多少不足。阿拉斯加森林的第二个主要考量因素是黑云杉的占比。
“阿拉斯加的主要树种黑云杉，其长而下垂的枝条从进化角度看，是为了便于引燃火势而形成的，”共同作者、地球系统科学教授兼系主任詹姆斯·兰德森（James Randerson）说，“它们的种子适应火灾后的环境，因此其生存策略是在火灾期间消灭周围的其他一切植物，以减少与其后代的竞争。”
兰德森表示，科菲尔德已能够证明，起火点2.5英里（约4公里）半径范围内黑云杉的比例，是判断火势蔓延规模的一个重要因素。
快速预测
科菲尔德表示，这一新方法的一大优势在于速度快。该算法会随每个新数据点“学习”，并能迅速找出识别大型火灾的关键阈值。他说，人们可以手动完成这项工作，或对每个不同的起火点进行模拟，但机器学习系统的统计方法“速度快得多，效率也高得多，尤其是在同时考虑多场火灾时”。
面对气候变化导致每个季节野火数量激增的局面，野火数量预计将出现，州、县和地方消防部门可以从一些更新的工具和技术中受益，兰德森指出。除了可能挽救生命、保护财产和关键基础设施外，灭火工作在保护自然世界方面也将变得日益重要。
“在阿拉斯加这样的地方，有必要限制受火灾影响的面积，因为如果我们持续经历这些异常的、高火灾年份，更多的碳将从地表流失，加剧变暖，”兰德森说。“如果任由火势蔓延失控，我们可能会陷入气候系统和生态系统都遭受重大破坏的局面。”
