一項最新研究表明，一種模擬人腦功能的人工智能技術有望成為自動檢測野火的強大工具，大幅縮短應對野火災難性影響所需的時間。該技術通過結合衛(wèi)星成像技術和深度學習（人工智能和機器學習的一個子領域）構建了“人工神經(jīng)網(wǎng)絡”模型，其研究成果已發(fā)表在同行評審的《國際遙感雜志》上。

據(jù)IT之家了解，研究團隊使用亞馬遜雨林的圖像數(shù)據(jù)集對模型進行訓練，其中包含有野火和無野火的圖像，結果顯示該模型的成功率達到 93%。該技術能夠與現(xiàn)有的人工智能系統(tǒng)相結合，以增強早期預警系統(tǒng)并改善野火應對策略。

“檢測并應對野火對于保護這些脆弱生態(tài)系統(tǒng)至關重要，亞馬遜地區(qū)的未來取決于果斷且迅速的行動?！痹撗芯康闹饕髡摺碜园臀黢R瑙斯亞馬遜聯(lián)邦大學的辛蒂亞?埃萊特里奧教授表示，“我們的研究成果不僅可以改善亞馬遜生態(tài)系統(tǒng)中的野火檢測，還能為全球其他地區(qū)的相關工作提供重要助力，顯著協(xié)助當局應對和管理此類事件?！?/span>

2023 年，亞馬遜地區(qū)共發(fā)生了 98,639 起野火，而亞馬遜雨林占巴西生物群落野火總數(shù)的 51.94%。近年來，該地區(qū)野火事件顯著增加。目前，亞馬遜地區(qū)的監(jiān)測提供接近實時的數(shù)據(jù)，但其分辨率有限，難以在偏遠地區(qū)或小規(guī)?；馂闹袡z測到細節(jié)。

為解決這一問題，研究團隊采用了一種名為“卷積神經(jīng)網(wǎng)絡”（CNN）的人工神經(jīng)網(wǎng)絡技術。CNN 是一種模仿人腦神經(jīng)網(wǎng)絡的機器學習算法，通過互聯(lián)節(jié)點處理數(shù)據(jù)。隨著數(shù)據(jù)量的增加，該算法的性能會不斷提升。研究團隊使用來自 Landsat 8 和 9 號衛(wèi)星的圖像對 CNN 進行訓練，這些衛(wèi)星配備了近紅外和短波紅外傳感器，對于檢測植被變化和地表溫度變化至關重要。

在訓練過程中，CNN 使用了 200 張包含野火的圖像和同等數(shù)量的無野火圖像，盡管樣本數(shù)量有限，但 CNN 在訓練階段已達到 93% 的準確率。隨后，研究人員使用 40 張未包含在訓練數(shù)據(jù)集中的圖像對 CNN 的區(qū)分能力進行測試，結果表明，該模型正確分類了 24 張有野火圖像中的 23 張，以及 16 張無野火圖像中的全部圖像，展現(xiàn)了其強大的泛化能力和作為有效野火檢測工具的潛力。

“CNN 模型可以作為現(xiàn)有監(jiān)測系統(tǒng)的重要補充，為特定區(qū)域提供更詳細的分析。通過將現(xiàn)有傳感器的廣泛時間覆蓋與我們模型的空間精度相結合，我們可以在關鍵環(huán)境保護區(qū)域顯著提升野火監(jiān)測能力?！痹撗芯康墓餐髡摺⑽锢韺W博士卡洛斯?門德斯教授表示，“該模型有望為相關當局提供更先進、更本地化的野火檢測方法，作為廣泛使用的衛(wèi)星遙感系統(tǒng)（如中分辨率成像光譜儀 MODIS 和可見紅外成像輻射儀 VIIRS）的有力補充?！?/span>

展望未來，研究團隊建議增加 CNN 訓練圖像的數(shù)量，以構建更強大的模型。此外，他們還指出，CNN 技術還可以應用于其他領域，例如監(jiān)測和控制森林砍伐。