一项最新的科学研究揭示了人工智能技术在野火检测方面的巨大潜力，这项技术有望极大提升对野火灾难性影响的响应速度。研究成果已在《国际遥感杂志》上发表，详细介绍了一种结合卫星成像与深度学习技术的“人工神经网络”模型。
研究团队利用亚马逊雨林的图像数据集对模型进行了训练，该数据集包含了野火发生与未发生的图像。经过严格测试，该模型在野火检测上的准确率高达93%。这一技术不仅能够增强现有的早期预警系统，还能改善整体的野火应对策略。
巴西马瑙斯亚马逊联邦大学的辛蒂亚·埃莱特里奥教授作为研究的主要作者，强调了这项技术的重要性：“检测并迅速应对野火对于保护脆弱的生态系统至关重要，亚马逊地区的未来取决于我们的果断行动。我们的研究成果不仅有助于改善亚马逊雨林的野火检测，还能为全球其他地区的野火管理工作提供有力支持。”
数据显示，2023年亚马逊地区共发生了98,639起野火，占巴西生物群落野火总数的51.94%。近年来，野火事件在该地区显著增加，尽管现有监测系统能够提供接近实时的数据，但由于分辨率有限，难以在偏远地区或小规模火灾中捕捉到细节。
为解决这一问题，研究团队引入了名为“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，其性能随数据量的增加而不断提升。研究团队使用来自Landsat 8和9号卫星的图像对CNN进行了训练，这些卫星配备了关键的近红外和短波红外传感器，对检测植被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相同数量的无野火图像。尽管样本数量有限，但CNN在训练阶段已表现出色，准确率达到了93%。为了验证模型的泛化能力，研究人员使用40张未包含在训练数据集中的图像进行了测试。结果显示，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，展现了其作为有效野火检测工具的巨大潜力。
该研究的共同作者、物理学博士卡洛斯·门德斯教授表示：“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。通过结合现有传感器的广泛时间覆盖和我们模型的空间精度，我们可以在关键环境保护区域显著提升野火监测能力。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，成为广泛使用的卫星遥感系统的有力补充。”
