?? 作者：ShowMeAI編輯部
?? 宣告：著作權所有，轉載請聯系平臺與作者并注明出處
?? 收藏ShowMeAI查看更多精彩內容
今年夏天，重慶北碚區山火一路向國家級自然保護區縉云山方向蔓延，為守護家園，數萬名重慶市民化身志愿者，與各路應急救援人員一起，積極參與山火撲滅作業，經過4天奮戰，北碚山火得到有效封控，這是團結和文化的證明，也是組織和科技的勝利，
摩托大軍運送物資、一呼百應的志愿者報名、休整時的冰棍、送別時的西瓜···相信你同我一樣，刷著視頻眼眶紅了一次又一次，
而以火滅火背后的風向精準預測、無人機噴水和發射滅火彈、三維測繪評估方位重要程度挖隔離帶···更讓我們體會到科技進步帶來的效率提升，
現在 AI 技術已經在發揮作用幫助我們與時間賽跑，挽回更多生命和損失，本文我們也介紹一下『機器學習』和『深度學習』等人工智能技術在森林火災撲救程序中的應用，
森林大火肆虐，觸目驚心
8月9日以來，我國出現了罕見的極端高溫天氣，南方多省溫度連創新高，部分地區如重慶市北碚、巴南、大足、長壽、江津等地先后發生多起森林火災，
近年來，全球極端天氣出現愈發頻繁，今夏全球氣溫急劇上升，增加了熱浪、干旱和野火等災害的可能性，
2020歲末年初的澳大利亞森林大火肆虐6個月，將悉尼的天空燒成了血色，隨后的美國加州山火燒過的面積是8457平方公里，相當于11個紐約市，2021年3-4月印度奧里薩邦的 Simplipal 森林大火也引起了國際社會的關注，大火嚴重影響了原本就脆弱平衡的 Simplipal 生物圈保護區，并對當地環境以及財產和生計造成了難以計數的破壞，
據統計，全球每年平均發生 20 萬起森林火災，每年被森林大火啥訓的面積占世界森林總面積的1%以上，中國每年發生森林火災1萬余起，年火災面積占中國森林總面積的5%以上，
對抗森林火災，AI 在行動
預測森林火災的關鍵要素是快速檢測，但是傳統的監視費用昂貴且受主觀因素的影響較大，人們逐漸將目光轉向三類自動化的解決方案：衛星、紅外掃描儀、區域傳感器，如 NASA TERRA / AQUA 衛星、NOAA GOES 衛星、中解析度光譜成像儀 MODIS、可見光紅外成像輻射組件 VIIRS 等，
隨著硬體的發展和資料傳輸的便利，資料的實時采集、存盤和處理成本已經足夠低廉，衛星和傳感器等收集到足夠多的資料之后，就可以使用自動化的資料挖掘工具，對原始資料進行分析挖掘，為高層決策者提取有效資訊，
小型衛星的影像和 AI 技術，正在被引入森林消防領域，通過數量眾多的小型衛星拍攝的高清圖片，對森林狀況進行實時的監控，并通過 AI 進行資料分析，以實作及時的預防和報警，
事實上，機器學習技術已經應用到火災探測領域，例如：北美森林大火預測使用衛星影像和支持向量機演算法獲得了75%的準確率，斯洛文尼亞森林火災使用衛星與氣象資料和隨機森林、決策樹演算法進行探測，
一家叫做 Salo Science 的公司，正在通過 AI 技術，研究對森林火災風險評定的作業，他們在開發的 AI 產品，同樣是基于衛星影像和資料，通過對樹木等情況，綜合地形、地勢、可積燃物等因素的分析，給消防人員提供森林的區域地形圖以及風險指示資料，幫助他們在危險來臨時，作出更好的選擇，
基于機器學習AI森林火災預測
利用機器學習如何對森林火災的發生做出預測？ShowMeAI 爆肝跑通了一個專案，查看完整專案和代碼，可以點擊文末『閱讀原文』，或訪問下方鏈接：
https://www.showmeai.tech/article-detail/326
本次專案的資料來自剛剛提到的 NASA 的資源管理系統火災資訊（FIRMS）衛星資料和 NASA 的 MODIS（中解析度成像光譜儀）儀器對 ??2021年印度森林野火 案例的紀錄，
?? 實戰資料集下載（百度網盤）：公眾號『ShowMeAI研究中心』回復『實戰』，或者訪問 https://www.showmeai.tech/article-detail/305 獲取本文『2021年印度森林火災資料集』
專案核心流程包含以下步驟：資料探索、資料清洗&處理、資料拆分、評估指標、建模與預估，
在完成對連續值欄位、類別型欄位的資料分布探索后，使用缺失值填充、清洗不相關的資料、幅度縮放與歸一化等對資料進行處理，以資料中的confidence為目標標簽，進行回歸建模，并使用均方誤差 MSE、平均絕對誤差 MAE、均方根誤差 RMSE、R 平方分數等指標進行評估，
專案使用了梯度提升回歸樹 GBDT 和 決策樹兩種方式進行建模，我們借助雷達圖來比較GBDT和回歸樹模型，對比它們在森林火災預測場景下的效果，
內容涉及資料分析處理的技能，歡迎大家查閱 ShowMeAI 對應的教程和工具速查表，快學快用，
圖解資料分析：從入門到精通系列教程
資料科學工具庫速查表 | Pandas 速查表
資料科學工具庫速查表 | Seaborn 速查表
深度學習在森林火災中的應用實踐
在 2018 年損失慘重的加州大火中，就有一家叫 CrowdAI 的公司通過衛星資料，綜合影像視覺技術參與了救援，
CrowdAI 使用 Spacenet 和 Deepglobe 的衛星影像，以及 DigitalGlobe 和 Planet Labs 的資料，訓練卷積神經網路，只需一秒鐘的時間，就能預測和評估受災程度，再將評估結果報告給救援指揮中心，幫助科學調配救援資源，制定更科學的救援方案，
借助于 CrowdAI 自定義的深度學習模型，除了標注常規的房屋建筑，還擴大到了獨立結構，比如車棚、公用設施棚和谷倉等，在那一次的火災中，從衛星影像中識別出結構后，根據受災前后的影像對比， AI 模型用紅點標識出損壞所在的位置，
拓展到整個地區，通過標記點的數量定出受災的嚴重程度，就能用不同的顏色區別出受災的程度，
最后在 Google Earth 或 ArcGIS 上標記出來，就能為救災和重建作業做出指導，
CrowdAI 利用衛星影像，通過計算機視覺等技術，提供資料服務，并把精力主要投入在了自然災害方面，很多救援人員和政府官員，通過這些快速生成的資料，更合理地協調了救援作業，提升了解決緊要問題的效率，
CrowdAI 還與 Facebook AI 進行過合作，研究颶風和火災造成損失的評估作業，他們的研究成果『From Satellite Imagery to Disaster Insights』也被 NeurIPS 會議所接受，
在論文中，他們的研究獲到了很好的成績：在 2017 年德克薩斯州附近被颶風哈維損壞的道路識別時，達到了 88.8％ 的準確率，而在 Santa Rosa 火災中識別損壞建筑物時準確率達到了 81.1％，
總結
截至2019年的統計資料，與『森林火災的人工智能應用』這一主題相關的出版物已有300余條，且近年來發表『森林火災』『機器學習』主題的文章數量急劇增加（資料來源：Scopus資料庫），我們正在將越來越多的目光投向科技，尋求高效、安全的災害預警與解決方案，
在科技到達不了的地方，我們會用團結和信仰去踏平，正如這次的重慶，
參考資料
- ?? AI實戰 | 基于機器學習的AI森林火災預測（附代碼）：https://www.showmeai.tech/article-detail/326
- ?? 圖解資料分析：從入門到精通系列教程：https://www.showmeai.tech/tutorials/33
- ?? 資料科學工具庫速查表 | Pandas 速查表：https://www.showmeai.tech/article-detail/101
- ?? 資料科學工具庫速查表 | Seaborn 速查表：https://www.showmeai.tech/article-detail/105
- ?? From Satellite Imagery to Disaster Insights：https://aiforsocialgood.github.io/2018/pdfs/track1/23_aisg_neurips2018.pdf
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/531840.html
標籤：其他
上一篇：【知識圖譜】概述