国际快递 · 清关 · 代拍

海外古董 · 艺术品 · 名画 · 名表

【FuninUSA.NET综合报道】专家们认为，将这项新技术与当前的人工智能系统相结合，有助于探测野火，例如洛杉矶的大火，从而加强早期预警策略。

一项新的研究发现，一种模仿人脑运作的人工智能可以成为自动探测野火的强大解决方案，从而大幅缩短减轻野火破坏性影响所需的时间。

这项新技术使用的"人工神经网络"模型结合了卫星成像技术和深度学习（人工智能和机器学习的一个子集）。

发表在同行评审的《国际遥感学报》上的研究结果表明，通过有野火和无野火的亚马逊雨林图像数据集训练模型的成功率高达93%。

报告指出，该技术可与现有的人工智能系统互补使用，以增强预警系统和改善野火应对策略。

"发现和应对野火的能力对于保护这些重要生态系统微妙的生态平衡至关重要，亚马逊地区的未来取决于果断的快速行动，"领衔作者、位于玛瑙斯的亚马逊联邦大学（Universidade Federal do Amazonas）的西恩蒂娅-埃莱乌特里奥（Cíntia Eleutério）教授解释说。

我们的研究结果可以改善亚马逊生态系统和世界其他地区的野火探测，极大地协助当局打击和管理此类事件。

2023 年，仅亚马逊地区就发生了 98639 起野火。在巴西生物群落的野火中，亚马逊雨林也占了很大一部分（51.94%）。近年来，这一地区的此类事件明显增多。

目前，亚马逊地区的监测工作由近乎实时的数据提供，但这些数据的分辨率一般，探测偏远地区或较小火灾爆发细节的能力有限。

这项新技术使用了一种名为卷积神经网络（CNN，Convolutional Neural Network）的人工神经网络（FuinUSA.NET编辑注：一种机器学习算法，使用相互连接的节点网络以模仿人脑的方式处理数据），对受野火影响的雨林区域进行分类，并改善这一问题。随着时间的推移，所开发的算法会随着数据量的增加而提高性能。

研究小组成员均来自亚马逊联邦大学，他们使用大地遥感卫星8号和9号提供的图像来训练CNN。这两颗卫星配备了近红外和短波红外设备，对于检测植被变化和地表温度变化至关重要。

首先，CNN 在 200 张野火图像和同等数量的无野火图像的数据集上进行了训练，以确保学习方法的平衡。虽然图像数量较少，但事实证明这足以让 CNN 在训练阶段达到 93% 的准确率。

然后，使用未包含在训练数据集中的 40 幅图像对 CNN 区分有野火和无野火图像的能力进行了测试。该模型正确地对 24 幅有野火的图像中的 23 幅进行了分类，对 16 幅没有野火的图像进行了分类，从而强调了其鲁棒性和泛化能力，并展示了其作为有效野火检测工具的潜力。

"CNN 模型可以作为宝贵的补充，在特定区域进行更详细的分析。通过将当前传感器广泛的时间覆盖范围与我们模型的空间精度相结合，我们可以大大加强关键环境保护区的野火监测，"合著者、物理学博士卡洛斯-门德斯（Carlos Mendes）教授说。

该模型有可能极大地协助主管当局打击和管理此类事件，提供一种先进的、更加本地化的野火探测方法。

"它可以作为成熟的大规模监测系统的补充，如广泛用于连续野火探测的卫星中分辨率成像分光仪（MODIS）和可见光红外成像辐射计套件（VIIRS）"。

展望未来，作者建议增加 CNN 的训练图像数量，这无疑会带来更强大的模型。

他们建议，还可以探索 CNN 的其他应用，例如监测和控制森林砍伐。

欢迎到FuninUSA.NET论坛讨论