人工智能助力亚马逊雨林野火监测，成功率达 93%

IT之家 3 月 6 日报道，最近的一项研究显示，模拟人脑运作的人工智能技术可能成为有效的野火自动检测工具，显著缩短应对火灾造成的破坏所需时间。该技术结合了卫星成像和深度学习（AI和机器学习的一个子类别），构建了“人工神经网络”模型，其研究成果已在《国际遥感杂志》上发表。

根据IT之家获取的信息，研究团队使用来自亚马逊雨林的图像数据集进行模型训练，该数据集包含了有野火与无野火的图像，研究结果显示模型成功率达到了 93%。此技术能够与现有人工智能系统整合，提升早期预警系统的效率，改进应对野火的策略。

“及时发现和处理野火对保护脆弱的生态系统非常重要，而亚马逊的未来需要迅速的决策和行动。”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・埃莱特里奥教授指出，“我们的研究不仅可以优化亚马逊地区野火的检测，还为全球其他地区的相关工作提供了重要支持，从而显著帮助当局管理此类事件。”

在 2023 年，亚马逊地区记录了 98,639 次野火事件，其中亚马逊雨林占巴西生物群落中野火总数的 51.94%。近年来，该地区的野火频率显著上升。目前的监控系统提供接近实时的数据，但分辨率不足，难以在偏远地区或小规模火灾中捕捉到细节。

为了解决这一问题，研究团队采用了一种被称为“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，通过互联节点处理信息。伴随着数据量的增加，该算法的准确性会持续提高。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，极为关键于检测植被与地表温度的变化。

在训练过程中，CNN使用了200幅包含野火的图像和相同数量的无野火图像，尽管样本量有限，但CNN在训练阶段达到了93%的准确率。研究人员随后用40幅未包含在训练数据集中的图像对CNN的识别能力进行了测试，结果显示该模型正确识别了24幅有野火图像中的23幅，以及16幅无野火图像中的所有图像，展现出其出色的泛化能力及作为野火检测工具的巨大潜力。

“CNN模型可以作为现有监测系统的强有力补充，为特定区域提供更加细致的分析。通过结合现有传感器广泛的时间覆盖与我们模型的空间精度，我们能够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，“该模型为相关机构带来了更先进、更符合当地需求的野火检测方法，有望成为现有卫星遥感系统（如MODIS和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，以打造更为强大的模型。此外，他们还提到，CNN技术还具有在监测和控制森林砍伐等其他领域的应用潜力。

广告声明：文中所包含的对外链接（包括超链接、二维码、口令等形式），旨在提供更多信息，帮助读者节省信息筛选时间，仅供参考。