為應對森林火災，消防員可否引入一支人工智能大軍作為聯盟？_風聞

撰文 | 太浪

面對無情而洶湧的自然災害，人工智能能夠做些麼？國外的消防員們正在招募一支AI大軍作為強大盟友，共同對抗森林大火。

2019 年 3 月 30 日，四川省涼山州木裏縣境內發生森林火災，27 名森林消防指戰員和 3 名地方撲火人員因此遇難。

不止四川，連日來，我國還相繼發生了這幾起森林火災：3 月 29 日，山西省長治市沁源縣森林大火；3 月 30 日，北京市密雲區山火；3 月 31 日，雲南省西雙版納州發生森林大火。其中沁源火災的過火面積達 360 公頃，3800 餘名羣眾撤離。而在 3 月 14 日山西沁源縣發生的另一起森林火災中，消防隊員遭遇風向突變，7 人被困火場，其中 6 人搶救無效犧牲。

導致森林大火的原因多樣。在 4 月 1 日四川省林業和草原局向省委省政府提交的緊急報告中顯示，3·30 涼山火災系雷擊引起。但在撲火過程中，風力風向突變影響，突發林火爆燃，瞬間形成巨大火球，繼而造成 30 名撲火人員遇難。在山西沁源 3.14 森林火災中，主要是由村民在地裏耕時使用明火造成。

森林火災位居破森林的三大自然災害（病害、蟲害、火災）之首。它不僅給人類的經濟建設造成巨大損失，破壞生態環境，而且還會威脅到人民生命財產安全。消防員們正在招募一支 AI 大軍作為強大盟友，共同對抗「野火」（森林大火）。

基於 AI 的技術正被用於災前預警和災後重建工作當中，並且在火災發生時發出警報。

AI 消防工具的引進

小型衞星以及處理數據的超級計算機普及，將幫助人們將 AI 作為一種消防工具。由人工智能驅動的計算機程序，正被部署到地面和太空中做各種事情，從更精確地繪製野火風險地圖，到在火災發生前數小時發出警報，不一而足。

消防專家表示，這項技術仍處於初級階段，可以大幅降低森林大火的威脅。近年來，在受乾旱困擾的美國西部地區，發生野火的規模越來越大，火災的破壞力也越來越強。

「沒有什麼能完全取代人腦來做決定，但人工智能可以幫助我們在更廣泛的領域做出更好的決策，」大自然保護協會的森林生態和消防經理愛德華·史密斯（Edward Smith）認為。他還表示，目前他們正與縣、州、聯邦和非營利組織合作，在加利福尼亞州內華達山脈大片容易發生災難性野火（森林大火）的地區，減少和控制燃燒。

今年夏天，在太浩湖 (Lake Tahoe）附近一塊 2.8 萬英畝的土地上，該組織計劃測試一個人工智能項目，旨在快速評估大約 100 英畝的土地上實施間伐方案，是否會留下足夠的開放空間，幫助預防大規模火災。間伐指在未成熟的森林中，定期的重複伐去部分林木，為保留的林木創造良好的環境條件，促進其生長發育。同時，通過撫育間伐還能獲得部分木材。

他表示，該 AI 項目將使用日常的高分辨率衞星圖像，對間伐工作前後的森林情況進行近乎實時的評估。否則，木材工人將不得不依靠昂貴的飛機飛越上空，或者依靠不那麼精確、甚至可能出錯的地面評估。

「有數百萬英畝的土地需要關注，我們要得到所有能得到的幫助。」史密斯説，「人工智能可以幫助我們看到更大的景觀。」

NASA 的計算機工程師 James MacKinnon（詹姆斯·麥金農）表示，他正在完成一個研究項目，該項目需要在 NASA 牛奶盒大小的衞星 Cube Sats 上安裝智能軟件，讓它們全天在森林上空拍攝彩色編碼的照片，以顯示火災發生的時間。

麥金農説，已經有衞星拍攝到野火（森林大火）的照片，但它們每天只拍一次，而且數據必須通過計算機處理。

「即使在最好的情況下，也需要幾個小時才能發出火災警報。」麥金農説，「我們需要將延遲 (警報時間) 減少到一個小時或者更短，而這項技術是實現這一目標的一部分。」

**AI 消防工具的引進得益於兩個主要因素：**小型衞星增多以蒐集到更多森林照片數據，以及用於處理數據的超級計算機資源的豐富。

其中一個關鍵舉措是，微軟在 2017 年宣佈開展 AI for Earth 項目，讓普通公眾也能夠基於其雲計算的工具以及人工智能服務，解析來自衞星和其他數據資源的信息。

微軟給個人和團體發放補助金，幫他們支付因解決環境問題（如預防火災）而訪問雲的成本。

「我們現在是盲目行動，」計算機巨頭、華盛頓州雷德蒙德市首席環境官 Lucas Joppa（盧卡斯·喬帕）説，「我們不清楚美國國家森林的狀況如何，但我可以在一毫秒內給你指出一家咖啡店的位置。」

繪製國家森林地圖

大約一年前，微軟補助金的獲得者之一 Silvia Terra 公司，開始使用微軟的網絡，根據衞星數據——包括來自 USGS（美國地質勘探局）和 NASA（美國國家航空航天局）實施的 Landsat 計劃（陸地衞星改進計劃）的數據——繪製國家森林地圖。

這家位於舊金山的公司，預計在 4 月 22 日「世界地球日」之前，完成 4 億多英畝森林的測繪工作。

有了這個森林地圖，該公司希望能向美國林務局、環保組織、木材公司和私人土地所有者提供信息，比如，特定地點樹木的大小和種類指導間伐工作。

Silvia Terra 的聯合創始人 Zack Parisa（扎克•帕裏薩）表示，該公司僅有 10 名員工，如果沒有先進的技術，想要做這件事，可能需要數千名員工。帕裏薩説，「一個人一天大概可以測量 20 英畝土地，但是有了人工智能，你可以做一整片森林。」

​USGS（美國地質勘探局）副首席信息長 Tim Quinn（奎因）説，他希望人工智能能幫助土地管理人員更好地應對野火（森林大火），就像該技術幫助提供更準確的東海岸部分地區颶風破壞的預報一樣。

奎因説，「人工智能肯定會在建模和警報方面提供幫助，這將使決策者能夠了解，他們希望如何對這些信息做出反應，因為這些信息與火災有關。」

在國內，海康針對大興安嶺某森林防火視頻監控系統試點項目也具有一定借鑑意義。

該項目屬於大興安嶺地區重要的森林防火的試點項目，前端熱成像採用海康威視最新 DS-8031 系列重載雲台，搭載 150mm 熱成像和 750mm 可見光鏡頭，可識別 5 公里 2m*2m 火點，煙 10*10 個像素。自帶激光測距功能可精準定位火點位置，中心 iVMS-9830 可視化應用管理平台整合森林防火應急指揮業務平台, 可實現火點定位、火場分析、火勢蔓延分析、應急調度指揮、災損評估功能。

通過視頻系統監控方案的建設，可針對具體區域的項目加強森林火災預防、撲救和保障三大體系建設，從而有效提高綜合防控能力。

測定火災風險層級

另一家位於舊金山的公司 Salo Sciences 正在開發一款人工智能軟件產品，根據對已經死了的和快要死的樹木的分析，繪製出森林大火風險最高的區域。

該公司聯合創始人兼 CEO Dave Marvin（戴夫•馬文）表示，該公司首先關注的是加州，後續會擴展到西部其他地區。據估計，在經歷了本世紀初的五年乾旱之後，加州已有 1.5 億棵樹木死亡。

「目前，野火（森林大火）風險地圖中的一些數據已有 15 年的歷史，」馬文博士説，他與斯坦福大學研究生 Christopher Anderson（克里斯托弗·安德森）共同成立了這家公司。「我們認為，需要建立一個新的框架，來研究如何獲取衞星圖像和數據，並更快地為保護工作提供信息」

馬文博士説，Salo Sciences 還在研究森林中樹木的高度和密度等變量，以幫助確定野火風險。「如果是個矮、茂密的森林，那就是火災危險更高。高矮不一的混合更健康。」

在四川省涼山州木裏縣境內發生森林火災事件中，就是由於受風力風向突變造成突發林火爆燃，瞬間形成巨大火球。最終導致 30 名撲火人員犧牲。

林火爆燃通常指爆炸性燃燒，和森林滅火平時説的「轟燃」相近，往往發生突然，會瞬間形成巨大火球、蘑菇雲，温度極高。與「轟燃」息息相關的原因主要有兩種。一種是林內可燃物堆積時間長、發生腐爛，產生以沼氣為主的可燃氣體，突然遇火再加上細小可燃物作用，產生轟燃。

數據顯示，過去 5 年，我國森林面積達到 31.2 億畝，成為同期全球森林資源增長最多的國家。特別是全面停止天然林商業採伐後，林區林下的可燃物積累加快，大小興安嶺、長白山、滇北、川西這些大面積的原始林區，可燃物載量已經達近 20 年峯值。

造成「轟燃」的另一種原因是，林火燒到狹窄的山脊、單口山谷、陡坡、鞍部、草塘溝、山岩凸起等特殊地形，使可燃物同時預熱，共同燃燒，瞬時形成巨大火球和蘑菇雲。比如狹窄山脊線，受熱輻射和熱對流影響，温度極高；而且又容易形成飄忽不動的氣流，山火方向難以預測。

在滅火救援前，消防隊員如果能夠獲得火災區域地形圖和風險指示數據，儘量避開危險地形、危險植被類型，避開危險的氣象條件科學撲救，將有效避免「二次」傷害的發生。

災後及時評估

此外，災後的評估工作也顯得十分重要，幫助緊急救援人員確定受災最為嚴重的地區，能夠更為高效地實施災後重建工作。Facebook 研究小組就創建了一套名為「災害影響指數」(disaster Impact Index, DII) 的度量標準，用來衡量某地區自然災害造成的破壞程度，該指數可用來推測嚴重的洪災或火災損失。

這項名為「從衞星圖像到災難洞察」的研究由 Facebook AI 研究部門的研究員 Saikat Basu、Guan Pang 以及 Crowd AI 公司的機器學習主管 Jigar Doshi 共同完成。Crowd AI 是一家人工智能應用眾包公司。

這套工具基於卷積神經網絡，目前準確率達到 80% 以上。在 2017 年德州 Sugar Land 附近的颶風 Harvey 中識別受損道路的準確率為 88.8%，在聖羅莎大火中識別受損建築的準確率為 81.1%。

不同於以往一些基於人工智能的分析依賴於災後地區的靜態圖像進行分析，這種新技術通過對災前和災後拍攝照片對比，並將每張照片分解成更小、更容易識別的照片網格。

「作為這項工作的一部分，我們只關注道路和建築，但是這可以延伸反映出災害對其他自然界和人造特徵的影響。」Facebook 在一篇論文中稱。