Künstliche Intelligenz kartiert Brandrisiken in Kalifornien – Random Forest & SHAP

Eine neue Studie nutzt den Random‑Forest‑Algorithmus in Kombination mit Shapley Additive Explanations (SHAP), um ein detailliertes Brandrisiko‑Mapping für Kalifornien zu erstellen. Durch die Analyse von Fernerkundungsdaten werden Faktoren wie Boden‑Kohlenstoffgehalt, Baumabdeckung und NDVI für Wälder sowie Temperatur, Höhe und Vegetationsgesundheit für Graslandschaften identifiziert.

Der Random‑Forest‑Ansatz erzielt beeindruckende Ergebnisse: Für Graslandschaften erreicht er einen AUC‑Wert von 0,996, für Wälder 0,997. Die räumliche Kreuzvalidierung zeigt moderate Übertragbarkeit mit ROC‑AUC‑Werten von 0,6155 (Wälder) und 0,5416 (Graslandschaften). Bei der zeitlichen Validierung verbessert sich die Generalisierung, insbesondere für Wälder (ROC‑AUC = 0,6615, PR‑AUC = 0,8423).

Die SHAP‑Analyse verdeutlicht, welche Variablen in den jeweiligen Ökosystemen am wichtigsten sind. In Wäldern dominieren Boden‑Kohlenstoff, Baumabdeckung und NDVI, während in Graslandschaften Temperatur, Höhe und Vegetationsgesundheitsindikatoren die Haupttreiber darstellen.

Auf Distrikt‑Ebene zeigen die Ergebnisse, dass das Central Valley und die Northern Buttes die höchste Konzentration an Hochrisikograslandschaften aufweisen, während die Northern Buttes und der North Coast Redwoods die gefährdeten Waldgebiete prägen. Dieses RF‑SHAP‑Framework liefert Landwirten, Forstbehörden und Katastrophenschutzorganisationen ein robustes Werkzeug zur Vorhersage und Prävention von Waldbränden.