Press "Enter" to skip to content

2022极端高温!人工智能如何预测森林火灾?| 万物AI

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

:bulb: 作者:ShowMeAI编辑部
:loudspeaker: 声明:版权所有,转载请联系平台与作者并注明出处
:loudspeaker: 收藏ShowMeAI查看更多精彩内容

 

8月21日晚,重庆北碚区山火一路向国家级自然保护区缙云山方向蔓延。为守护家园,数万名重庆市民化身志愿者,与各路应急救援人员一起,积极参与山火扑灭工作。8月25日23时,经过4天奋战,北碚山火得到有效封控。这是团结和文化的证明,也是组织和科技的胜利。

 

摩托大军运送物资、一呼百应的志愿者报名、休整时的冰棍、送别时的西瓜···相信你同我一样,刷着视频眼眶红了一次又一次。

 

而以火灭火背后的风向精准预测、无人机喷水和发射灭火弹、三维测绘评估方位重要程度挖隔离带···更让我们体会到科技进步带来的效率提升。

 

现在 AI 技术已经在发挥作用帮助我们与时间赛跑,挽回更多生命和损失。本文我们也介绍一下『 机器学习 』和『 深度学习 』等人工智能技术在森林火灾扑救过程中的应用。

 

森林大火肆虐,触目惊心

 

8月9日以来,我国出现了罕见的极端高温天气,南方多省温度连创新高,部分地区如重庆市北碚、巴南、大足、长寿、江津等地先后发生多起森林火灾。

 

近年来,全球极端天气出现愈发频繁。今夏全球气温急剧上升,增加了热浪、干旱和野火等灾害的可能性。

 

 

2020岁末年初的澳大利亚森林大火肆虐6个月,将悉尼的天空烧成了血色。随后的美国加州山火烧过的面积是8457平方公里,相当于11个纽约市。2021年3-4月印度奥里萨邦的 Simplipal 森林大火也引起了国际社会的关注,大火严重影响了原本就脆弱平衡的 Simplipal 生物圈保护区,并对当地环境以及财产和生计造成了难以计数的破坏。

 

据统计,全球每年平均发生 20 万起森林火灾。每年被森林大火烧毁的面积占世界森林总面积的1%以上。中国每年发生森林火灾1万余起,年火灾面积占中国森林总面积的5%以上。

 

对抗森林火灾,AI 在行动

 

预测森林火灾的关键要素是快速检测。但是传统的监视费用昂贵且受主观因素的影响较大,人们逐渐将目光转向三类自动化的解决方案:卫星、红外扫描仪、局部传感器,如 NASA TERRA / AQUA 卫星、NOAA GOES 卫星、中分辨率光谱成像仪 MODIS、可见光红外成像辐射组件 VIIRS 等。

 

 

随着硬件的发展和数据传输的便利,数据的实时采集、存储和处理成本已经足够低廉。卫星和传感器等收集到足够多的数据之后,就可以使用自动化的数据挖掘工具,对原始数据进行分析挖掘,为高层决策者提取有效信息。

 

小型卫星的图像和 AI 技术,正在被引入森林消防领域。通过数量众多的小型卫星拍摄的高清图片,对森林状况进行实时的监控,并通过 AI 进行数据分析,以实现及时的预防和报警。

 

 

事实上,机器学习技术已经应用到火灾探测领域,例如:北美森林大火预测使用卫星图像和支持向量机算法获得了75%的准确率,斯洛文尼亚森林火灾使用卫星与气象数据和随机森林、决策树算法进行探测。

 

一家叫做 Salo Science 的公司,正在通过 AI 技术,研究对森林火灾风险评定的工作。他们在开发的 AI 产品,同样是基于卫星图像和数据,通过对树木等情况,综合地形、地势、可积燃物等因素的分析,给消防人员提供森林的区域地形图以及风险指示数据,帮助他们在危险来临时,作出更好的选择。

 

 

基于机器学习AI森林火灾预测

 

利用机器学习如何对森林火灾的发生做出预测?ShowMeAI 爆肝跑通了一个项目。查看完整项目和代码,可以点击文末『阅读原文』,或访问下方链接:

 

 

www.showmeai.tech/article-det…

 

本次项目的数据来自刚刚提到的 NASA 的资源管理系统火灾信息(FIRMS)卫星数据和 NASA 的 MODIS(中分辨率成像光谱仪)仪器对 :trophy: 2021年印度森林野火 案例的纪录。

 

 

:trophy: 实战数据集下载(百度网盘) :公众号『ShowMeAI研究中心』回复『 实战 』,或者访问 www.showmeai.tech/article-det… 获取本文『 2021年印度森林火灾数据集 』

 

项目核心流程包含以下步骤:数据探索、数据清洗&处理、数据拆分、评估指标、建模与预估。

 

 

在完成对连续值字段、类别型字段的数据分布探索后,使用缺失值填充、清洗不相关的数据、幅度缩放与归一化等对数据进行处理。以数据中的 confidence 为目标标签,进行回归建模,并使用均方误差 MSE、平均绝对误差 MAE、均方根误差 RMSE、R 平方分数等指标进行评估。

 

项目使用了梯度提升回归树 GBDT 和 决策树两种方式进行建模,我们借助雷达图来比较GBDT和回归树模型,对比它们在森林火灾预测场景下的效果。

 

 

内容涉及数据分析处理的技能,欢迎大家查阅 ShowMeAI 对应的教程和工具速查表,快学快用。

 

图解数据分析:从入门到精通系列教程
数据科学工具库速查表 | Pandas 速查表
数据科学工具库速查表 | Seaborn 速查表

深度学习在森林火灾中的应用实践

 

在 2018 年损失惨重的加州大火中,就有一家叫 CrowdAI 的公司通过卫星数据,综合图像视觉技术参与了救援。

 

 

CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像,以及 DigitalGlobe 和 Planet Labs 的数据,训练卷积神经网络。只需一秒钟的时间,就能预测和评估受灾程度,再将评估结果报告给救援指挥中心,帮助科学调配救援资源,制定更科学的救援方案。

 

 

借助于 CrowdAI 自定义的深度学习模型,除了标注常规的房屋建筑,还扩大到了独立结构,比如车棚、公用设施棚和谷仓等。在那一次的火灾中,从卫星图像中识别出结构后,根据受灾前后的图像对比, AI 模型用红点标识出损坏所在的位置。

 

 

拓展到整个地区,通过标记点的数量定出受灾的严重程度,就能用不同的颜色区别出受灾的程度。

 

最后在 Google Earth 或 ArcGIS 上标记出来,就能为救灾和重建工作做出指导。

 

 

CrowdAI 利用卫星图像,通过计算机视觉等技术,提供数据服务,并把精力主要投入在了自然灾害方面。很多救援人员和政府官员,通过这些快速生成的数据,更合理地协调了救援工作,提升了解决紧要问题的效率。

 

CrowdAI 还与 Facebook AI 进行过合作,研究飓风和火灾造成损失的评估工作。他们的研究成果『 From Satellite Imagery to Disaster Insights 』也被 NeurIPS 会议所接受。

 

 

在论文中,他们的研究获到了很好的成绩:在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时,达到了 88.8% 的准确率,而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1%。

 

总结

 

截至2019年的统计数据,与『森林火灾的人工智能应用』这一主题相关的出版物已有300余条,且近年来发表『森林火灾』『机器学习』主题的文章数量急剧增加(数据来源:Scopus数据库)。我们正在将越来越多的目光投向科技,寻求高效、安全的灾害预警与解决方案。

 

 

在科技到达不了的地方,我们会用团结和信仰去踏平,正如这次的重庆。

 

参考资料

:blue_book: AI实战 | 基于机器学习的AI森林火灾预测(附代码) : www.showmeai.tech/article-det…
:blue_book: 图解数据分析:从入门到精通系列教程 : www.showmeai.tech/tutorials/3…
:blue_book: 数据科学工具库速查表 | Pandas 速查表 : www.showmeai.tech/article-det…
:blue_book: 数据科学工具库速查表 | Seaborn 速查表 : www.showmeai.tech/article-det…
:blue_book: From Satellite Imagery to Disaster Insights : aiforsocialgood.github.io/2018/pdfs/t…

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。