一項(xiàng)最新的科學(xué)研究揭示了人工智能技術(shù)在野火檢測方面的巨大潛力，這項(xiàng)技術(shù)有望極大提升對野火災(zāi)難性影響的響應(yīng)速度。研究成果已在國際遙感雜志上發(fā)表，詳細(xì)介紹了一種結(jié)合衛(wèi)星成像與深度學(xué)習(xí)技術(shù)的“人工神經(jīng)網(wǎng)絡(luò)”模型。

研究團(tuán)隊(duì)利用亞馬遜雨林的圖像數(shù)據(jù)集對模型進(jìn)行了訓(xùn)練，該數(shù)據(jù)集包含了野火發(fā)生與未發(fā)生的圖像。經(jīng)過嚴(yán)格測試，該模型在野火檢測上的準(zhǔn)確率高達(dá)93%。這一技術(shù)不僅能夠增強(qiáng)現(xiàn)有的早期預(yù)警系統(tǒng)，還能改善整體的野火應(yīng)對策略。

巴西馬瑙斯亞馬遜聯(lián)邦大學(xué)的辛蒂亞·埃萊特里奧教授作為研究的主要作者，強(qiáng)調(diào)了這項(xiàng)技術(shù)的重要性：“檢測并迅速應(yīng)對野火對于保護(hù)脆弱的生態(tài)系統(tǒng)至關(guān)重要，亞馬遜地區(qū)的未來取決于我們的果斷行動。我們的研究成果不僅有助于改善亞馬遜雨林的野火檢測，還能為全球其他地區(qū)的野火管理工作提供有力支持?！?/p>

數(shù)據(jù)顯示，2023年亞馬遜地區(qū)共發(fā)生了98,639起野火，占巴西生物群落野火總數(shù)的51.94%。近年來，野火事件在該地區(qū)顯著增加，盡管現(xiàn)有監(jiān)測系統(tǒng)能夠提供接近實(shí)時(shí)的數(shù)據(jù)，但由于分辨率有限，難以在偏遠(yuǎn)地區(qū)或小規(guī)模火災(zāi)中捕捉到細(xì)節(jié)。

為解決這一問題，研究團(tuán)隊(duì)引入了名為“卷積神經(jīng)網(wǎng)絡(luò)”（CNN）的人工神經(jīng)網(wǎng)絡(luò)技術(shù)。CNN是一種模仿人腦神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法，通過互聯(lián)節(jié)點(diǎn)處理數(shù)據(jù)，其性能隨數(shù)據(jù)量的增加而不斷提升。研究團(tuán)隊(duì)使用來自Landsat 8和9號衛(wèi)星的圖像對CNN進(jìn)行了訓(xùn)練，這些衛(wèi)星配備了關(guān)鍵的近紅外和短波紅外傳感器，對檢測植被和地表溫度變化至關(guān)重要。

在訓(xùn)練過程中，CNN使用了200張包含野火的圖像和相同數(shù)量的無野火圖像。盡管樣本數(shù)量有限，但CNN在訓(xùn)練階段已表現(xiàn)出色，準(zhǔn)確率達(dá)到了93%。為了驗(yàn)證模型的泛化能力，研究人員使用40張未包含在訓(xùn)練數(shù)據(jù)集中的圖像進(jìn)行了測試。結(jié)果顯示，模型正確分類了24張有野火圖像中的23張，以及16張無野火圖像中的全部圖像，展現(xiàn)了其作為有效野火檢測工具的巨大潛力。

該研究的共同作者、物理學(xué)博士卡洛斯·門德斯教授表示：“CNN模型可以作為現(xiàn)有監(jiān)測系統(tǒng)的重要補(bǔ)充，為特定區(qū)域提供更詳細(xì)的分析。通過結(jié)合現(xiàn)有傳感器的廣泛時(shí)間覆蓋和我們模型的空間精度，我們可以在關(guān)鍵環(huán)境保護(hù)區(qū)域顯著提升野火監(jiān)測能力。該模型有望為相關(guān)當(dāng)局提供更先進(jìn)、更本地化的野火檢測方法，成為廣泛使用的衛(wèi)星遙感系統(tǒng)的有力補(bǔ)充?！?/p>