乐趣区

关于人工智能:夏威夷等全球多地深陷末日狂烧关键时刻-AI-监测能否跑赢野火

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

退出移动版