對於沒法消除的森林火災問題,AI 技術結合衛星圖像,可以在救災過程過程當中做出及時合理的看法,幫助人們將損失降到最低。git
4 月 4 日,四川涼山的森林大火罹難者又增長了一位,這場無情的災難中,遇難的救火人員總數達到了 31 位。這是一個使人沉痛的數字。github
森林火災沒有辦法徹底避免,咱們也常常在報道中,聽聞火災帶來的巨大損失。那麼對於森林大火的,有沒有可以抵擋的方式呢?網絡
在救災工做中,及時掌握全面而準確的信息,以實現資源的合理分配,是相當重要的。而如今,基於 AI 的技術,正在發揮着一些做用,它可以幫助咱們與時間賽跑,挽回更多生命和損失。機器學習
也許在下一次面對大火的時候, AI 可以幫助咱們抵擋住野火的肆虐。工具
在去年損失慘重的加州大火中,就有一家叫 CrowdAI 的公司經過衛星數據,綜合圖像視覺技術參與了救援。學習
CrowdAI 使用 Spacenet 和 Deepglobe 的衛星圖像,以及 DigitalGlobe 和 Planet Labs 的數據,訓練卷積神經網絡。cdn
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。blog
藉助於 CrowdAI 自定義的深度學習模型,除了標註常規的房屋建築,還擴大到了獨立結構,好比車棚、公用設施棚和穀倉等。圖片
在那一次的火災中,從衛星圖像中識別出結構後,根據受災先後的圖像對比, AI 模型用紅點標識出損壞所在的位置。ip
拓展到整個地區,經過標記點的數量定出受災的嚴重程度,就能用不一樣的顏色區別出受災的程度。
最後在 Google Earth 或 ArcGIS 上標記出來,就能爲救災和重建工做作出指導。
對於不斷追求評估速度的目標,CrowdAI 的創始人兼首席執行官 Devaki Raj 說到,「當災難發生時,咱們必需要快速的給出預測,這就是咱們須要這種速度的緣由。」
不少救援人員和級政府官員,經過這些快速生成的數據,更合理的協調了救援工做,這提高了解決緊要問題的效率。
爲了儘量準確的完成受災狀況的評估,以前的方法須要很大量的數據訓練,但 CrowdAI 的機器學習負責人Jigar Doshi 提到,「由於機器視覺技術已經很成熟了,咱們不須要訓練很大的模型(對受災狀況),就能進行有效的評估。」
CrowdAI 利用衛星圖像,經過計算機視覺等技術,提供數據服務,稍有不一樣的是,他們把精力主要投入在了天然災害方面。
CrowdAI 還與 Facebook AI 進行過合做,研究颶風和火災形成損失的評估工做。他們的研究成果《From Satellite Imagery to Disaster Insights》也被 NeurIPS 會議所接受。
(https://aiforsocialgood.github.io/2018/pdfs/track1/23_aisg_neurips2018.pdf)
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 火災中識別損壞建築物時準確率達到了 81.1%。
而在災難預測的方面, CrowdAI 也在探索可以預測到的災害模型,據稱,他們在嘗試經過整合風力、降水和社交媒體等數據,積極開發能超越衛星圖像的深度學習工具。
除了 CrowdAI ,也有其餘的公司和機構正在作着類似的努力。
大天然保護協會,正在利用小型衛星的圖像和 AI 技術,引進森林的消防工具。經過數量衆多的小型衛星,拍攝而成的高清圖片,對森林情況進行實時的監控,經過 AI 的數據分析,可以及時的做出預防和報警。
還有一家叫作 Salo Science 的公司,正在經過 AI 技術,研究對森林火災風險評定的工做。他們在開發的 AI 產品,一樣是基於衛星圖像和數據,經過對樹木等狀況,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數據。幫助他們在危險來臨時,做出更好的選擇。
此外,對於消防機器人的研究,也一直在進步。在前段時間的報道中,蕭山消防機器人就在一場大火中大顯身手,經過沖進火場、偵查探路、與消防人員協同做戰,最終成功滅火。但消防機器人還不夠智能,不能應對複雜的地形,目前也不能單獨進行救災。
也許,在不久的未來,這些結合了 AI 或者機器人的應用,可以降服可怕的火災。
谷歌和麥肯錫全球研究所作過一份報告,主旨是關於 AI 造福人類的案例,報告中提到,「 AI 能更準確地提供救援工做和應急準備,相比於人類救援要更快速,並且適用範圍更廣。」
期待 AI 可以制服火災的那一天!