共计 3292 个字符，预计需要花费 9 分钟才能阅读完成。
内容一览：当地工夫 8 月 8 日，美国夏威夷州突发野火，当地居民和游客不得不跳入太平洋中规避火势。截至 8 月 17 日，这场野火曾经造成 110 人死亡，超过 1000 人失踪。与此同时，美国、加拿大、法国等地也正遭逢野火侵袭。野火有情，面对突发的野火，人们很难做出迅速的反馈。当初，在 AI 的帮忙下，对野火的监测和预防有了新进展。
关键词：野火 人工智能 可解释性 AI
作者|雪菜
编辑|三羊
本文首发于 HyperAI 超神经微信公众平台。
地球正不可逆地经验着寰球变暖。据欧盟哥白尼气候变化服务局 (C3S) 统计，2023 年 7 月是 1940 年以来寰球平均气温最高的月份，温度较前工业革命期间的平均气温回升了约 1.5°C，超过了《巴黎协定》设定的临界值。
图 1：1940-2023 年 7 月的寰球平均气温 [1]
寰球变暖带来的最直观的感触就是低温。在森林繁茂的地区，低温干燥的气象极易引发野火 (Wild fire)。8 月 8 日，美国夏威夷州毛伊岛突发野火。野火乘着台风「朵拉」，迅速席卷了森林，并蔓延到了当地的文化核心——拉海纳，造成数万人无家可归。
与此同时，在气象干燥的北美洲西部地区，野火也在肆虐。美国加拿大火情资源管理零碎 (FIRMS, Fire Information for Resouce Management System US/Canada) 的火情地图显示，近一周加拿大西部地区蔓延着过分面积超过 1000 英亩的野火，而在美国东部也存在大量的着火点。
图 2：近一周北美洲火情地图 [2]
野火迅猛有情，面对从天而降的野火，人们很难做出及时的反馈。但现在，咱们能够利用 AI 对野火进行实时监测和预测，将野火带来的损失降到最低。
预测野火三叉戟
天文数据：澳洲高校开发 XAI
2023 年 5 月，澳大利亚国立大学的 Abolfazl Abdollahi 和悉尼科技大学的 Biswajeet Pradhan，利用可解释性 AI (XAI)，对澳大利亚吉普斯兰市的不同天文因素进行综合剖析，失去了当地的野火产生概率分布图，为预测野火的产生提供了新办法。
图 3：预测野火产生概率的 XAI 工作流
对野火产生概率影响较大的天文特色包含环境因素、地质因素、植被因素和气象因素。本钻研中，研究者次要应用了以下 11 个特色，包含降水量、风速、气温、湿度、植被散布、植被面积、动物中的燃料氮、水分以及该地区的海拔、坡度和方位。
钻研选用吉普斯兰市 521 个野火产生点，在 2019-2020 年的中分辨率成像光谱仪 (MODIS) 数据、热异样数据以及火灾历史数据进行训练，并通过穿插验证和保留数据集的形式，对训练集进行解决，确保训练过程的精确。
首先，穿插验证技术会将训练集随机分为 5 个子集，其中 4 个子集用于模型训练，1 个子集作为验证集。
图 4：模型训练过程。蓝色数据用于训练，橙色数据用于验证
训练实现后，将吉普斯兰的环境、地质、植被、气象特色输出模型，能够失去这一地区残缺的野火产生概率图，如图所示，模型预测后果和该地的历史野火区域基本一致，阐明 XAI 能够依据天文特色对野火产生进行无效预测。
图 5：模型预测后果与历史野火区域比照
a：XAI 模型预测的野火产生概率图；
b：吉普斯兰的历史野火区域图。
论文地址：
https://www.sciencedirect.com/science/article/pii/S0048969723…
视频数据：基于烟雾辨认起火点
基于天文数据的野火预测只能进步人们的警惕，却无奈对野火的产生进行实时观测。为此，美国加利福尼亚州林业防火部，与加利福尼亚大学圣迭戈分校 (UCSD) 基于 AI，合作开发了名为 ALERTCalifornia 的野火预防我的项目。这一我的项目通过散布在加利福尼亚州的 1000 余个摄像机对当地进行监测，借助 AI 辨认异样情况，向应急指挥核心收回警报，揭示值班人员确认是否可能有野火产生。
图 6：ALERTCalifornia 摄像机散布及实时画面
这一我的项目于 2023 年 7 月正式投入运行，很快就派上了用场。凌晨 3 点，一个摄像机监测到了位于圣迭戈市东部 80 公里的克利夫兰国家森林的火情。因为事发深夜，烟雾很难被发现，肉眼很难辨认这一着火点，极易导致火势蔓延。但 AI 及时向消防队长收回了警报，并帮忙消防部门在 45 分钟内将野火点燃。
然而，这一技术在开发过程中也面临诸多挑战。其中之一便是，如何让 AI 精确分辨野火和其余烦扰因素，做出精确判断。森林中存在大量可能引发假警报的因素，包含形态迥异的云、空气中的灰尘、甚至是过路卡车排放的尾气。在百余位专家的共同努力下，AI 在通过了数周训练及迭代后，准确率有了显著晋升。
ALERTCalifornia 地址：
https://cameras.alertcalifornia.org/
卫星数据：二次筛选的近实时野火监测
在特定区域，摄像机能够对野火进行无效监测，但这一办法很难大规模推广，尤其是在一些地区博大、地形简单的区域，安排和保护摄像机的老本会大幅减少。因而，实时卫星数据也能够作为 AI 的武器，用于野火的实时监测。
电子科技大学何彬彬课题组，联合随机森林模型 (Random Forest) 和空间上下文算法 (Spatical Contextual Algorithm) 构建了机器学习模型，通过卫星数据实现了近实时的野火监测。
传统的 AI 野火识别系统往往应用繁多算法，因而带来数据脱漏或误报。本钻研中，数据首先通过随机森林模型进行严格筛选，防止脱漏。随后用阈值绝对较低的空间上下文算法进行二次筛选，排除掉假警报，以此进步监测模型的准确率。
图 7：野火辨认模型的工作流
科研人员以日本宇宙航空钻研开发机构 (JAXA) 和美国航空航天局 (NASA) 记录的野火数据为训练集，对模型进行训练。随后，将 2020 至 2022 年的产生野火地位的卫星数据作为验证数据，让模型进行判断。
图 8：野火辨认模型的卫星数据验证后果
图中能够看到，对于大部分火灾，这一模型能够精确定位野火源头，做出及时的预警。AI 野火辨认模型以实时卫星数据作为数据源，联合随机森林模型和空间上下文算法，升高了模型的漏报率和误报率，实现了近实时的野火预警。
论文地址：
https://www.mdpi.com/2272228
野火扑救：一场与工夫的赛跑
野火的次要诱因是人类流动，如无人照管的营火、顺手乱丢的烟头或是设施的不标准应用。此次夏威夷野火的可能起因就是电力设施受损。火苗在寰球变暖带来的低温干燥环境和台风「朵拉」的独特影响下，迅猛发展，为当地居民带来了巨大损失。
图 9：野火之后的拉海纳 [3]
野火的扑救是一场与工夫的赛跑。据估计，野火每小时能够蔓延约 23 公里，着火面积在 4 个小时内将会扩充 4 倍。2017 年的美国加利福尼亚州托马斯野火每秒能够蔓延一个足球场的面积，最终继续焚烧了 3 个多月。
因而，野火的监测和扑救往往须要用到多种技术，以在最短时间内发现着火点，将野火尽快点燃，防止其扩散。目 前我国监测野火有六道防线，别离是卫星监测、飞机监测巡护、林区眺望塔台、视频监控零碎、高空巡护和网络舆情感知。
在多种技术的加持下，我国森林火灾次数已由 2010 年的 7723 起降至 2022 年的 709 起。然而，2019 年四川省木里县的森林火灾和 2020 年的四川省西昌市森林火灾，都导致了重大的人员伤亡，森林火灾的监测和预防仍然面临挑战。
目前，天文数据、视频数据及卫星数据都能够作为 AI 的原始数据，用于野火的晚期判断，将火情扼杀在摇篮之中。尽管我国幅员辽阔，各地的气象地形差别较大，很难实现野火的彻底预防，。
本文首发于 HyperAI 超神经微信公众平台。
参考链接：
[1]https://climate.copernicus.eu/july-2023-warmest-month-earths-…
[2]https://firms2.modaps.eosdis.nasa.gov/
[3]https://www.washingtonpost.com/climate-environment/2023/08/10…
[4]https://www.bjnews.com.cn/detail/168429261314778.html