人工智能提升亚马逊雨林野火监测成功率至93%

一项最新研究揭示了一种模拟人脑功能的人工智能技术，预计将成为自动检测野火的有效工具，显著缩短应对野火带来的破坏性影响的反应时间。该技术通过结合卫星成像和深度学习（人工智能及机器学习的一个分支），构建了“人工神经网络”模型，研究成果已发表于同行评审的《国际遥感杂志》上。

根据AI工具库的资料，研究团队使用亚马逊雨林的图像数据集对模型进行了训练，数据集中涵盖了有野火和无野火的图像，模型的成功率达到93%。这种技术能够与现有的人工智能系统相结合，增强早期预警系统，改善野火应对策略。

“检测并应对野火对于保护脆弱的生态系统至关重要，未来亚马逊地区的生存依赖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·埃莱特里奥教授指出，“我们的研究成果不仅可以提升亚马逊生态系统中野火的检测能力，还能为全球其他区域的相关工作提供重要支持，从而帮助当局更有效地应对和管理此类事件。”

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，该地区的野火事件显著增加。目前，亚马逊地区的监测提供接近实时的数据，但由于分辨率有限，难以在偏远地区或小规模火灾中检测到细节。

为了解决这一问题，研究团队采用了一种称为“卷积神经网络”（CNN）的人工神经网络技术。CNN是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。随着数据量的增加，该算法的性能会不断提升。研究团队使用来自Landsat 8号和9号卫星的图像对CNN进行训练，这些卫星搭载了近红外和短波红外传感器，能够有效检测植被和地表温度的变化。

在训练过程中，CNN使用了200张包含野火的图像和同数量的无野火图像，尽管样本数量有限，CNN在训练阶段达到了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测试CNN的区分能力，结果显示，该模型正确分类了24张有野火的图像中的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及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，为特定区域提供更精细的分析。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，“该模型有潜力为相关当局提供更先进且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）的有效补充。”

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。同时，他们指出，CNN技术还可应用于其他领域，例如监测和控制森林砍伐。