一种模拟人脑功能的人工智能可能在自动检测森林火灾方面提供强大的解决方案，从而大大缩短减轻其破坏性影响所需的时间，一项新研究发现。
新技术采用了一种“人工神经网络”模型，将卫星成像技术与深度学习（人工智能和机器学习的一个子集）结合在一起。
发布于同行评审的《国际遥感杂志》上的研究结果报告称，通过使用亚马逊雨林的火灾和不带火灾的图像数据集训练模型，成功率达到了93%。
该技术表示，可以与现有的人工智能系统互补使用，以增强预警系统和改善森林火灾响应策略。
“检测和应对森林火灾的能力对于保护这些重要生态系统的微妙生态平衡至关重要，而亚马逊地区的未来依赖于果断迅速的行动，”来自马瑙斯的亚马逊联邦大学的首席作者西恩蒂亚·埃卢特里奥教授解释道。
“我们研究的结果可以改善亚马逊生态系统及全球其它地区的火灾检测，显著协助当局应对和管理此类事件。”
在2023年，仅在亚马逊地区就发生了98,639起森林火灾。亚马逊雨林还占据了巴西生物群落中火灾的显著比例（51.94%）。近年来，该地区此类事件显著增加。
目前，亚马逊的监测提供接近实时的数据——然而，其分辨率适中，对偏远地区或较小火灾爆发细节的检测能力有限。
这项新技术使用了一种名为卷积神经网络（CNN）的人工神经网络类型（该机器学习算法利用相互连接的节点网络以模仿人脑的方式处理数据），来分类受森林火灾影响的雨林区域并改善该问题。所开发的算法通过接触不断增加的数据量来提高其性能。
研究团队均隶属于亚马逊联邦大学，利用来自Landsat 8和9卫星的图像来训练CNN。这些卫星配备了近红外和短波红外传感器，二者对于检测植被变化和地表温度变化至关重要。
首先，CNN在包含200幅火灾图像和数量相同的无火灾图像的数据集上进行训练，以确保平衡学习方法。尽管数量不大，但这些图像数量对CNN在训练阶段达到93%的准确率已足够。
然后，CNN在使用未包含在训练数据集中的40幅图像测试其区分带火灾和不带火灾图像的能力。模型正确分类了24幅带火灾图像中的23幅以及所有16幅不带火灾图像，从而强调了其稳健性和概括能力，展示了其作为有效火灾检测工具的潜力。
“CNN模型可以作为一个有价值的补充，提供特定区域更详细的分析。通过将当前传感器的广泛时间覆盖与我们模型的空间精确性结合，我们可以显著提高重要环境保护区的火灾监测，”共同作者、拥有物理学博士学位的卡洛斯·门德斯教授说道。
“该模型有潜力显著帮助主管当局应对和管理此类事件，为火灾检测提供一种先进且更为本地化的方法。
“它作为已建立的大规模监测系统的补充，比如基于卫星的中分辨率成像光谱仪（MODIS）和可见红外成像辐射仪（VIIRS），后者广泛用于持续火灾检测。”
展望未来，作者建议增加CNN训练图像的数量，这“无疑将导致更强大的模型。”
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。
