对亚马逊雨林的新研究表明，人工智能在检测野火方面具有“巨大潜力”

快速阅读: 《科学日报》消息，一项新技术利用“人工神经网络”模型结合卫星成像和深度学习，成功率达93%，能有效检测亚马逊雨林的野火。该技术由亚马逊联邦大学的研究团队开发，使用Landsat 8和9卫星图像训练模型。研究者建议增加训练图像数量以提高模型的稳健性，并探索其在监测森林砍伐等方面的应用。这一技术有望增强野火早期预警系统，帮助保护亚马逊生态系统。

新技术使用了一种“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（人工智能）和机器学习的一个子集）。研究结果发表在同行评审的《国际遥感杂志》上，报告称通过亚马逊雨林的有火和无火图像数据集训练该模型时，成功率为93%。这项技术据称可以与现有人工智能系统互补，以增强早期预警系统并改进野火应对策略。“检测和应对野火对于保护这些重要生态系统的微妙平衡至关重要，而亚马逊地区的未来取决于迅速果断的行动。”亚马逊联邦大学教授、首席作者辛蒂娅·埃莱乌里奥解释说。“我们的研究结果能够提升亚马逊及其他地区的野火检测能力，显著帮助当局打击和管理此类事件。”仅在2023年，亚马逊地区就有98,639起野火。亚马逊雨林占巴西生物群落野火的很大比例（51.94%）。近年来，该地区此类事件明显增加。目前，亚马逊地区的监测提供了近乎实时的数据——然而，分辨率一般，在偏远地区或小规模火灾时难以识别细节。这项新技术使用了一种人工神经网络（一种使用节点网络处理数据的机器学习算法，模拟人脑的工作方式）称为卷积神经网络（卷积神经网络），用于分类受野火影响的雨林区域并改进问题。通过不断接触大量数据，这些算法逐渐提升了性能。研究团队均来自亚马逊联邦大学，使用来自Landsat 8和9卫星的图像来训练卷积神经网络。这些卫星配备了近红外和短波红外，两者共同对植被变化和地表温度变化的检测至关重要。首先，卷积神经网络在一个包含200张野火图像和等数量无野火图像的数据集上进行训练，以确保平衡的学习方法。尽管数量较小，但这些图像足以使卷积神经网络在训练阶段达到93%的准确率。随后，用40张未包含在训练数据集中的图像测试卷积神经网络区分有火和无火图像的能力。模型正确分类了24张中有23张野火图像和所有16张无野火图像，从而证明其稳健性和泛化能力，并展示了其作为有效野火检测工具的潜力。“卷积神经网络模型可以作为一个有价值的补充，使特定区域的分析更加详细。通过结合当前传感器的广泛时间覆盖和我们模型的空间精度，我们可以显著提高关键环境保护区的野火监测。”物理博士、合著者卡洛斯·门德斯教授表示。“该模型有助于相关当局显著提高此类事件的管理和应对能力，提供一种先进的、更局部化的野火检测方法。“它可以作为补充，与广泛应用于连续野火检测的中分辨率成像光谱仪（MODIS）和可见光红外成像辐射计套件（VIIRS）等成熟的大型监测系统结合使用。”展望未来，作者建议增加卷积神经网络的训练图像数量，“这无疑将导致一个更稳健的模型”。他们还建议探索卷积神经网络的其他应用——例如监测和控制森林砍伐。

(以上内容均由Ai生成)