💡 作者：ShowMeAI编辑部
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容
今年夏天，重庆北碚区山火一路向国家级自然保护区缙云山方向蔓延。为守护家园，数万名重庆市民化身志愿者，与各路应急救援人员一起，积极参与山火扑灭工作。经过4天奋战，北碚山火得到有效封控。这是团结和文化的证明，也是组织和科技的胜利。摩托大军运送物资、一呼百应的志愿者报名、休整时的冰棍、送别时的西瓜···相信你同我一样，刷着视频眼眶红了一次又一次。
而以火灭火背后的风向精准预测、无人机喷水和发射灭火弹、三维测绘评估方位重要程度挖隔离带···更让我们体会到科技进步带来的效率提升。
现在 AI 技术已经在发挥作用帮助我们与时间赛跑，挽回更多生命和损失。本文我们也介绍一下『机器学习』和『深度学习』等人工智能技术在森林火灾扑救过程中的应用。
森林大火肆虐，触目惊心
8月9日以来，我国出现了罕见的极端高温天气，南方多省温度连创新高，部分地区如重庆市北碚、巴南、大足、长寿、江津等地先后发生多起森林火灾。
近年来，全球极端天气出现愈发频繁。今夏全球气温急剧上升，增加了热浪、干旱和野火等灾害的可能性。
2020岁末年初的澳大利亚森林大火肆虐6个月，将悉尼的天空烧成了血色。随后的美国加州山火烧过的面积是8457平方公里，相当于11个纽约市。2021年3-4月印度奥里萨邦的 Simplipal 森林大火也引起了国际社会的关注，大火严重影响了原本就脆弱平衡的 Simplipal 生物圈保护区，并对当地环境以及财产和生计造成了难以计数的破坏。
据统计，全球每年平均发生 20 万起森林火灾。每年被森林大火烧毁的面积占世界森林总面积的1%以上。中国每年发生森林火灾1万余起，年火灾面积占中国森林总面积的5%以上。
对抗森林火灾，AI 在行动
预测森林火灾的关键要素是快速检测。但是传统的监视费用昂贵且受主观因素的影响较大，人们逐渐将目光转向三类自动化的解决方案：卫星、红外扫描仪、局部传感器，如 NASA TERRA / AQUA 卫星、NOAA GOES 卫星、中分辨率光谱成像仪 MODIS、可见光红外成像辐射组件 VIIRS 等。
随着硬件的发展和数据传输的便利，数据的实时采集、存储和处理成本已经足够低廉。卫星和传感器等收集到足够多的数据之后，就可以使用自动化的数据挖掘工具，对原始数据进行分析挖掘，为高层决策者提取有效信息。
小型卫星的图像和 AI 技术，正在被引入森林消防领域。通过数量众多的小型卫星拍摄的高清图片，对森林状况进行实时的监控，并通过 AI 进行数据分析，以实现及时的预防和报警。
事实上，机器学习技术已经应用到火灾探测领域，例如：北美森林大火预测使用卫星图像和支持向量机算法获得了75%的准确率，斯洛文尼亚森林火灾使用卫星与气象数据和随机森林、决策树算法进行探测。
一家叫做 Salo Science 的公司，正在通过 AI 技术，研究对森林火灾风险评定的工作。他们在开发的 AI 产品，同样是基于卫星图像和数据，通过对树木等情况，综合地形、地势、可积燃物等因素的分析，给消防人员提供森林的区域地形图以及风险指示数据，帮助他们在危险来临时，作出更好的选择。
基于机器学习AI森林火灾预测
利用机器学习如何对森林火灾的发生做出预测？ShowMeAI 爆肝跑通了一个项目。查看完整项目和代码，可以点击文末『阅读原文』，或访问下方链接：
https://www.showmeai.tech/article-detail/326
本次项目的数据来自刚刚提到的 NASA 的资源管理系统火灾信息（FIRMS）卫星数据和 NASA 的 MODIS（中分辨率成像光谱仪）仪器对 🏆2021年印度森林野火 案例的纪录。
🏆 实战数据集下载（百度网盘）：公众号『ShowMeAI研究中心』回复『 实战』，或者访问 https://www.showmeai.tech/article-detail/305 获取本文『 2021年印度森林火灾数据集』
项目核心流程包含以下步骤：数据探索、数据清洗&处理、数据拆分、评估指标、建模与预估。
在完成对连续值字段、类别型字段的数据分布探索后，使用缺失值填充、清洗不相关的数据、幅度缩放与归一化等对数据进行处理。以数据中的confidence为目标标签，进行回归建模，并使用均方误差 MSE、平均绝对误差 MAE、均方根误差 RMSE、R 平方分数等指标进行评估。
项目使用了梯度提升回归树 GBDT 和 决策树两种方式进行建模，我们借助雷达图来比较GBDT和回归树模型，对比它们在森林火灾预测场景下的效果。
内容涉及数据分析处理的技能，欢迎大家查阅 ShowMeAI 对应的教程和工具速查表，快学快用。
深度学习在森林火灾中的应用实践
在 2018 年损失惨重的加州大火中，就有一家叫 CrowdAI 的公司通过卫星数据，综合图像视觉技术参与了救援。
CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像，以及 DigitalGlobe 和 Planet Labs 的数据，训练卷积神经网络。只需一秒钟的时间，就能预测和评估受灾程度，再将评估结果报告给救援指挥中心，帮助科学调配救援资源，制定更科学的救援方案。
借助于 CrowdAI 自定义的深度学习模型，除了标注常规的房屋建筑，还扩大到了独立结构，比如车棚、公用设施棚和谷仓等。在那一次的火灾中，从卫星图像中识别出结构后，根据受灾前后的图像对比， AI 模型用红点标识出损坏所在的位置。
拓展到整个地区，通过标记点的数量定出受灾的严重程度，就能用不同的颜色区别出受灾的程度。
最后在 Google Earth 或 ArcGIS 上标记出来，就能为救灾和重建工作做出指导。
CrowdAI 利用卫星图像，通过计算机视觉等技术，提供数据服务，并把精力主要投入在了自然灾害方面。很多救援人员和政府官员，通过这些快速生成的数据，更合理地协调了救援工作，提升了解决紧要问题的效率。
CrowdAI 还与 Facebook AI 进行过合作，研究飓风和火灾造成损失的评估工作。他们的研究成果『From Satellite Imagery to Disaster Insights』也被 NeurIPS 会议所接受。
在论文中，他们的研究获到了很好的成绩：在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时，达到了 88.8％ 的准确率，而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1％。
总结
截至2019年的统计数据，与『森林火灾的人工智能应用』这一主题相关的出版物已有300余条，且近年来发表『森林火灾』『机器学习』主题的文章数量急剧增加（数据来源：Scopus数据库）。我们正在将越来越多的目光投向科技，寻求高效、安全的灾害预警与解决方案。
在科技到达不了的地方，我们会用团结和信仰去踏平，正如这次的重庆。
参考资料
- 📘 AI实战 | 基于机器学习的AI森林火灾预测（附代码）：https://www.showmeai.tech/article-detail/326
- 📘 图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/33
- 📘 数据科学工具库速查表 | Pandas 速查表：https://www.showmeai.tech/article-detail/101
- 📘 数据科学工具库速查表 | Seaborn 速查表：https://www.showmeai.tech/article-detail/105
- 📘 From Satellite Imagery to Disaster Insights：https://aiforsocialgood.github.io/2018/pdfs/track1/23_aisg_neurips2018.pdf
