3 月 6 日消息，一项最新研究表明，一种模拟人脑功能的人工智能技术有望成为自动检测野火的强大工具，大幅缩短应对野火灾难性影响所需的时间。该技术通过结合卫星成像技术和深度学习（人工智能和机器学习的一个子领域）构建了“人工神经网络”模型，其研究成果已发表在同行评审的《国际遥感杂志》上。

据了解，研究团队使用亚马逊雨林的图像数据集对模型进行训练，其中包含有野火和无野火的图像，结果显示该模型的成功率达到 93%。该技术能够与现有的人工智能系统相结合，以增强早期预警系统并改善野火应对策略。

“检测并应对野火对于保护这些脆弱生态系统至关重要，亚马逊地区的未来取决于果断且迅速的行动。”该研究的主要作者、来自巴西马瑙斯亚马逊联邦大学的辛蒂亚・埃莱特里奥教授表示，“我们的研究成果不仅可以改善亚马逊生态系统中的野火检测，还能为全球其他地区的相关工作提供重要助力，显著协助当局应对和管理此类事件。”

2023 年，亚马逊地区共发生了 98,639 起野火，而亚马逊雨林占巴西生物群落野火总数的 51.94%。近年来，该地区野火事件显著增加。目前，亚马逊地区的监测提供接近实时的数据，但其分辨率有限，难以在偏远地区或小规模火灾中检测到细节。

为解决这一问题，研究团队采用了一种名为“卷积神经网络”（CNN）的人工神经网络技术。CNN 是一种模仿人脑神经网络的机器学习算法，通过互联节点处理数据。随着数据量的增加，该算法的性能会不断提升。研究团队使用来自 Landsat 8 和 9 号卫星的图像对 CNN 进行训练，这些卫星配备了近红外和短波红外传感器，对于检测植被变化和地表温度变化至关重要。

在训练过程中，CNN 使用了 200 张包含野火的图像和同等数量的无野火图像，尽管样本数量有限，但 CNN 在训练阶段已达到 93% 的准确率。随后，研究人员使用 40 张未包含在训练数据集中的图像对 CNN 的区分能力进行测试，结果表明，该模型正确分类了 24 张有野火图像中的 23 张，以及 16 张无野火图像中的全部图像，展现了其强大的泛化能力和作为有效野火检测工具的潜力。

“CNN 模型可以作为现有监测系统的重要补充，为特定区域提供更详细的分析。通过将现有传感器的广泛时间覆盖与我们模型的空间精度相结合，我们可以在关键环境保护区域显著提升野火监测能力。”该研究的共同作者、物理学博士卡洛斯・门德斯教授表示，“该模型有望为相关当局提供更先进、更本地化的野火检测方法，作为广泛使用的卫星遥感系统（如中分辨率成像光谱仪 MODIS 和可见红外成像辐射仪 VIIRS）的有力补充。”

展望未来，研究团队建议增加 CNN 训练图像的数量，以构建更强大的模型。此外，他们还指出，CNN 技术还可以应用于其他领域，例如监测和控制森林砍伐。