夏威夷等全球多地深陷「末日狂燒」，關鍵時刻 AI 監(jiān)測能否跑贏野火？
內容一覽：當地時間 8 月 8 日，美國夏威夷州突發(fā)野火，當地居民和游客不得不跳入太平洋中躲避火勢。截至 8 月 17 日，這場野火已經造成 110 人死亡，超過 1000 人失蹤。與此同時，美國、加拿大、法國等地也正遭遇野火侵襲。野火無情，面對突發(fā)的野火，人們很難做出迅速的反應?，F在，在 AI 的幫助下，對野火的監(jiān)測和預防有了新進展。
關鍵詞：野火? ?人工智能? ?可解釋性 AI ??
作者｜雪菜
編輯｜三羊
本文首發(fā)于 HyperAI 超神經微信公眾平臺。
地球正不可逆地經歷著全球變暖。據歐盟哥白尼氣候變化服務局 (C3S) 統(tǒng)計，2023 年 7 月是 1940 年以來全球平均氣溫最高的月份，溫度較前工業(yè)革命時期的平均氣溫上升了約 1.5°C，超過了《巴黎協(xié)定》設定的臨界值。
全球變暖帶來的最直觀的感受就是高溫。在森林茂盛的地區(qū)，高溫干燥的氣候極易引發(fā)野火 (Wild fire)。8 月 8 日，美國夏威夷州毛伊島突發(fā)野火。野火乘著臺風「朵拉」，迅速席卷了森林，并蔓延到了當地的文化中心——拉海納，造成數萬人無家可歸。
與此同時，在氣候干燥的北美洲西部地區(qū)，野火也在肆虐。美國加拿大火情資源管理系統(tǒng) (FIRMS, Fire Information for Resouce Management System US/Canada) 的火情地圖顯示，近一周加拿大西部地區(qū)蔓延著過火面積超過 1000 英畝的野火，而在美國東部也存在大量的著火點。
野火迅猛無情，面對突如其來的野火，人們很難做出及時的反應。但如今，我們可以利用 AI 對野火進行實時監(jiān)測和預測，將野火帶來的損失降到最低。
預測野火三叉戟
地理數據：澳洲高校開發(fā) XAI
2023 年 5 月，澳大利亞國立大學的 Abolfazl Abdollahi 和悉尼科技大學的 Biswajeet Pradhan，利用可解釋性 AI (XAI)，對澳大利亞吉普斯蘭市的不同地理因素進行綜合分析，得到了當地的野火發(fā)生概率分布圖，為預測野火的發(fā)生提供了新方法。
對野火發(fā)生概率影響較大的地理特征包括環(huán)境因素、地質因素、植被因素和氣象因素。本研究中，研究者主要使用了以下 11 個特征，包括降水量、風速、氣溫、濕度、植被分布、植被面積、植物中的燃料氮、水分以及該地區(qū)的海拔、坡度和方位。
研究選用吉普斯蘭市 521 個野火發(fā)生點，在 2019-2020 年的中分辨率成像光譜儀 (MODIS) 數據、熱異常數據以及火災歷史數據進行訓練，并通過交叉驗證和保留數據集的方式，對訓練集進行處理，確保訓練過程的準確。
首先，交叉驗證技術會將訓練集隨機分為 5 個子集，其中 4 個子集用于模型訓練，1 個子集作為驗證集。
訓練完成后，將吉普斯蘭的環(huán)境、地質、植被、氣象特征輸入模型，可以得到這一地區(qū)完整的野火發(fā)生概率圖，如圖所示，模型預測結果和該地的歷史野火區(qū)域基本一致，說明 XAI 可以根據地理特征對野火發(fā)生進行有效預測。
a：XAI 模型預測的野火發(fā)生概率圖；
b：吉普斯蘭的歷史野火區(qū)域圖。
論文地址：
https://www.sciencedirect.com/science/article/pii/S0048969723016224
視頻數據：基于煙霧識別起火點?
基于地理數據的野火預測只能提高人們的警覺，卻無法對野火的發(fā)生進行實時觀測。為此，美國加利福尼亞州林業(yè)防火部，與加利福尼亞大學圣迭戈分校 (UCSD) 基于 AI，合作開發(fā)了名為 ALERTCalifornia 的野火預防項目。這一項目通過分布在加利福尼亞州的 1000 余個攝像機對當地進行監(jiān)測，借助 AI 識別異常狀況，向應急指揮中心發(fā)出警報，提醒值班人員確認是否可能有野火發(fā)生。
這一項目于 2023 年 7 月正式投入運行，很快就派上了用場。凌晨 3 點，一個攝像機監(jiān)測到了位于圣迭戈市東部 80 公里的克利夫蘭國家森林的火情。由于事發(fā)深夜，煙霧很難被發(fā)現，肉眼很難識別這一著火點，極易導致火勢蔓延。但 AI 及時向消防隊長發(fā)出了警報，并幫助消防部門在 45 分鐘內將野火撲滅。
然而，這一技術在開發(fā)過程中也面臨諸多挑戰(zhàn)。其中之一便是，如何讓 AI 準確分辨野火和其他干擾因素，做出準確判斷。森林中存在大量可能引發(fā)假警報的因素，包括形狀迥異的云、空氣中的灰塵、甚至是過路卡車排放的尾氣。在百余位專家的共同努力下，AI 在經過了數周訓練及迭代后，準確率有了顯著提升。
ALERTCalifornia 地址：
https://cameras.alertcalifornia.org/
衛(wèi)星數據：二次篩選的近實時野火監(jiān)測?
在特定區(qū)域，攝像機可以對野火進行有效監(jiān)測，但這一方法很難大規(guī)模推廣，尤其是在一些地域廣博、地形復雜的區(qū)域，布置和維護攝像機的成本會大幅增加。因此，實時衛(wèi)星數據也可以作為 AI 的武器，用于野火的實時監(jiān)測。
電子科技大學何彬彬課題組，結合隨機森林模型 (Random Forest) 和空間上下文算法 (Spatical Contextual Algorithm) 構建了機器學習模型，通過衛(wèi)星數據實現了近實時的野火監(jiān)測。
傳統(tǒng)的 AI 野火識別系統(tǒng)往往使用單一算法，因此帶來數據遺漏或誤報。本研究中，數據首先經過隨機森林模型進行嚴格篩選，避免遺漏。隨后用閾值相對較低的空間上下文算法進行二次篩選，排除掉假警報，以此提高監(jiān)測模型的準確率。
科研人員以日本宇宙航空研究開發(fā)機構 (JAXA) 和美國航空航天局 (NASA) 記錄的野火數據為訓練集，對模型進行訓練。隨后，將 2020 至 2022 年的發(fā)生野火位置的衛(wèi)星數據作為驗證數據，讓模型進行判斷。
圖中可以看到，對于大部分火災，這一模型可以準確定位野火源頭，做出及時的預警。AI 野火識別模型以實時衛(wèi)星數據作為數據源，結合隨機森林模型和空間上下文算法，降低了模型的漏報率和誤報率，實現了近實時的野火預警。
論文地址：
https://www.mdpi.com/2272228
野火撲救：一場與時間的賽跑
野火的主要誘因是人類活動，如無人看管的營火、隨手亂丟的煙頭或是設備的不規(guī)范使用。此次夏威夷野火的可能原因就是電力設施受損?；鹈缭谌蜃兣瘞淼母邷馗稍锃h(huán)境和臺風「朵拉」的共同影響下，迅猛發(fā)展，為當地居民帶來了巨大損失。
野火的撲救是一場與時間的賽跑。據估計，野火每小時可以蔓延約 23 公里，著火面積在 4 個小時內將會擴大 4 倍。2017 年的美國加利福尼亞州托馬斯野火每秒可以蔓延一個足球場的面積，最終持續(xù)燃燒了 3 個多月。
因此，野火的監(jiān)測和撲救往往需要用到多種技術，以在最短時間內發(fā)現著火點，將野火盡快撲滅，避免其擴散。目前我國監(jiān)測野火有六道防線，分別是衛(wèi)星監(jiān)測、飛機監(jiān)測巡護、林區(qū)瞭望塔臺、視頻監(jiān)控系統(tǒng)、地面巡護和網絡輿情感知。
在多種技術的加持下，我國森林火災次數已由 2010 年的 7723 起降至 2022 年的 709 起。然而，2019 年四川省木里縣的森林火災和 2020 年的四川省西昌市森林火災，都導致了重大的人員傷亡，森林火災的監(jiān)測和預防依然面臨挑戰(zhàn)。
目前，地理數據、視頻數據及衛(wèi)星數據都可以作為 AI 的原始數據，用于野火的早期判斷，將火情扼殺在搖籃之中。雖然我國幅員遼闊，各地的氣候地形差異較大，很難實現野火的徹底預防，但相信在 AI 的幫助下，我們最終可以趕上時間，將野火的危險性降至最低。
本文首發(fā)于 HyperAI 超神經微信公眾平臺。
參考鏈接：
[1]https://climate.copernicus.eu/july-2023-warmest-month-earths-recent-history
[2]https://firms2.modaps.eosdis.nasa.gov/
[3]https://www.washingtonpost.com/climate-environment/2023/08/10/hawaii-wildfire-maps/
[4]https://www.bjnews.com.cn/detail/168429261314778.html
