一项最新研究表明，模拟人脑功能的人工智能技术有望成为自动检测野火的强大工具，大幅缩短应对野火灾难性影响所需的时间。该技术通过结合卫星成像技术和深度学习构建了“人工神经网络”模型，研究成果已发表在同行评审的《国际遥感杂志》上。
研究团队使用亚马逊雨林的图像数据集对模型进行训练，其中包含有野火和无野火的图像，结果显示该模型的成功率达到93%。该技术能够与现有的人工智能系统相结合，以增强早期预警系统并改善野火应对策略。
“检测并应对野火对于保护这些脆弱生态系统至关重要，亚马逊地区的未来取决于果断且迅速的行动。”该研究的主要作者、来自巴西马瑙斯亚马逊联邦大学的辛蒂亚・埃莱特里奥教授表示，“我们的研究成果不仅可以改善亚马逊生态系统中的野火检测，还能为全球其他地区的相关工作提供重要助力，显著协助当局应对和管理此类事件。”
2023年，亚马逊地区共发生了98,639起野火，而亚马逊雨林占巴西生物群落野火总数的51.94%。近年来，该地区野火事件显著增加。目前，亚马逊地区的监测提供接近实时的数据，但其分辨率有限，难以在偏远地区或小规模火灾中检测到细节。
为解决这一问题，研究团队采用了一种名为“卷积神经网络”（CNN）的人工神经网络技术。CNN是一种模仿人脑神经网络的机器学习算法，通过互联节点处理数据。随着数据量的增加，该算法的性能会不断提升。研究团队使用来自Landsat 8和9号卫星的图像对CNN进行训练，这些卫星配备了近红外和短波红外传感器，对于检测植被变化和地表温度变化至关重要。
在训练过程中，CNN使用了200张包含野火的图像和同等数量的无野火图像，尽管样本数量有限，但CNN在训练阶段已达到93%的准确率。随后，研究人员使用40张未包含在训练数据集中的图像对CNN的区分能力进行测试，结果表明，该模型正确分类了24张有野火图像中的23张，以及16张无野火图像中的全部图像，展现了其强大的泛化能力和作为有效野火检测工具的潜力。
“CNN模型可以作为现有监测系统的重要补充，为特定区域提供更详细的分析。通过将现有传感器的广泛时间覆盖与我们模型的空间精度相结合，我们可以在关键环境保护区域显著提升野火监测能力。”该研究的共同作者、物理学博士卡洛斯・门德斯教授表示，“该模型有望为相关当局提供更先进、更本地化的野火检测方法，作为广泛使用的卫星遥感系统（如中分辨率成像光谱仪MODIS和可见红外成像辐射仪VIIRS）的有力补充。”
展望未来，研究团队建议增加CNN训练图像的数量，以构建更强大的模型。此外，他们还指出，CNN技术还可以应用于其他领域，例如监测和控制森林砍伐。
扫一扫关注微信