对于森林大火的肆虐，AI 能做些什么？

By 超神经

场景介绍：对于无法消除的森林火灾问题，AI 技术结合卫星图像，能够在救灾过程过程中作出及时合理的见解，帮助人们将损失降到最低。

关键词：火灾救援、卫星影像、卷积神经网络

4 月 4 日，四川凉山的森林大火罹难者又增加了一位，这场无情的灾难中，遇难的救火人员总数达到了 31 位。这是一个令人沉痛的数字。

森林火灾没有办法完全避免，我们也经常在报道中，听闻火灾带来的巨大损失。那么对于森林大火的，有没有能够抵挡的方式呢？

在救灾工作中，及时掌握全面而准确的信息，以实现资源的合理分配，是至关重要的。而现在，基于 AI 的技术，正在发挥着一些作用，它能够帮助我们与时间赛跑，挽回更多生命和损失。

也许在下一次面对大火的时候， AI 能够帮助我们抵挡住野火的肆虐。

在火灾中发挥作用的 AI 技术

在去年损失惨重的加州大火中，就有一家叫 CrowdAI 的公司通过卫星数据，综合图像视觉技术参与了救援。

2018 年加州发生的山火，比过去十年的平均水平还要高出 30％

CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像，以及 DigitalGlobe 和 Planet Labs 的数据，训练卷积神经网络。

只需一秒钟的时间，就能预测和评估受灾程度，再将评估结果报告给救援指挥中心，帮助科学调配救援资源，制定更科学的救援方案。

对卫星图像实现建筑物的识别

借助于 CrowdAI 自定义的深度学习模型，除了标注常规的房屋建筑，还扩大到了独立结构，比如车棚、公用设施棚和谷仓等。

在那一次的火灾中，从卫星图像中识别出结构后，根据受灾前后的图像对比， AI 模型用红点标识出损坏所在的位置。

对受损建筑等用红点标记

拓展到整个地区，通过标记点的数量定出受灾的严重程度，就能用不同的颜色区别出受灾的程度。

最后在 Google Earth 或 ArcGIS 上标记出来，就能为救灾和重建工作做出指导。

不同区域的受灾程度

对于不断追求评估速度的目标，CrowdAI 的创始人兼首席执行官 Devaki Raj 说到，「当灾难发生时，我们必须要快速的给出预测，这就是我们需要这种速度的原因。」

很多救援人员和级政府官员，通过这些快速生成的数据，更合理的协调了救援工作，这提升了解决紧要问题的效率。

为了尽可能准确的完成受灾情况的评估，之前的方法需要很大量的数据训练，但 CrowdAI 的机器学习负责人Jigar Doshi 提到，「因为机器视觉技术已经很成熟了，我们不需要训练很大的模型（对受灾情况），就能进行有效的评估。」

卫星数据在 AI 引导下的人文关怀

CrowdAI 利用卫星图像，通过计算机视觉等技术，提供数据服务，稍有不同的是，他们把精力主要投入在了自然灾害方面。

CrowdAI 还与 Facebook AI 进行过合作，研究飓风和火灾造成损失的评估工作。他们的研究成果《From Satellite Imagery to Disaster Insights》也被 NeurIPS 会议所接受。

（https://aiforsocialgood.github.io/2018/pdfs/track1/23_aisg_neurips2018.pdf)

在论文中，他们的研究获到了很好的成绩：在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时，达到了 88.8％的准确率，而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1％。

通过对比灾难前后的图片数据，并且与人工提取作对比，计算出灾害影响指数（ DII ）

而在灾难预测的方面， CrowdAI 也在探索能够预测到的灾害模型，据称，他们在尝试通过整合风力、降水和社交媒体等数据，积极开发能超越卫星图像的深度学习工具。

对抗火灾，AI 在前进

除了 CrowdAI ，也有其他的公司和机构正在做着相似的努力。

大自然保护协会，正在利用小型卫星的图像和 AI 技术，引进森林的消防工具。通过数量众多的小型卫星，拍摄而成的高清图片，对森林状况进行实时的监控，通过 AI 的数据分析，能够及时的作出预防和报警。

还有一家叫做 Salo Science 的公司，正在通过 AI 技术，研究对森林火灾风险评定的工作。他们在开发的 AI 产品，同样是基于卫星图像和数据，通过对树木等情况，综合地形，地势，可积燃物等因素的分析，给消防人员提供森林的区域地形图以及风险指示数据。帮助他们在危险来临时，作出更好的选择。