人工智能助力亚马逊雨林野火监测，成功率达 93%

GoodNav 3 月 6 日报道，最新的一项研究显示，模拟人脑功能的人工智能技术有潜力成为自动检测野火的强大工具，从而显著缩短应对野火带来的灾难性后果所需的时间。该技术通过结合卫星成像技术和深度学习（人工智能和机器学习的子领域）构建了“人工神经网络”模型，其研究成果已发表在同行评审的《国际遥感杂志》上。

研究团队了解到，他们利用亚马逊雨林的图像数据集对模型进行了训练，该数据集包含了有野火和无野火的图像，结果表明该模型的成功率高达 93%。该技术能够与现有人工智能系统整合，从而增强早期预警系统并改善对野火的应对策略。

研究的主要作者、巴西马瑙斯亚马逊联邦大学的辛蒂亚・埃莱特里奥教授提到：“对于保护脆弱的生态系统来说，及时检测和应对野火至关重要，亚马逊地区的未来依赖于果断和快速的行动。”她还指出，“我们的研究成果不仅提升了亚马逊生态系统中野火的检测能力，还能为全球其他地区的相关工作提供重要支持，帮助当局更有效地应对和管理这种事件。”

2023年，亚马逊地区发生了 98,639 起野火，其中亚马逊雨林占巴西生物群落野火总数的 51.94%。近年来，该地区的野火事件明显增加。目前，亚马逊地区的监测提供近实时数据，但其分辨率有限，以至于在偏远地区或小规模火灾中难以捕捉细节。

为了解决这一难题，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，通过相互连接的节点处理数据。随着数据量的不断增加，该算法会持续提升其性能。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，能够有效检测植被变化和地表温度变化。

在训练期间，CNN 使用了 200 张显示野火的图像及相同数量的无野火图像，尽管样本量相对较小，但 CNN 在训练阶段达到了 93% 的准确率。接着，研究人员利用 40 张不在训练数据集中的图像对 CNN 进行能力测试，结果显示，该模型正确识别了 24 张有野火的图像中的 23 张，以及所有 16 张无野火图像，展现了其卓越的泛化能力和作为有效野火检测工具的潜力。

共同作者、物理学博士卡洛斯・门德斯教授指出：“CNN 模型可以作为现有监测系统的重要补充，为特定区域提供更为详尽的分析。通过将现有传感器的广泛时效与我们模型的空间精度结合，我们可以在关键环境保护区域显著提升野火监测能力。”他还表示，“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案，作为广泛应用的卫星遥感系统（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 训练用图像的数量，以构建更为强大的模型。此外，他们还指出，CNN 技术还可应用于其他领域，例如监测和控制森林砍伐。