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。
此外，对于消防机器人的研究，也一直在进步。在前段时间的报道中，萧山消防机器人就在一场大火中大显身手，通过冲进火场、侦查探路、与消防人员协同作战，最终成功灭火。但消防机器人还不够智能，不能应对复杂的地形，目前也不能单独进行救灾。
也许，在不久的将来，这些结合了 AI 或者机器人的应用，能够降服可怕的火灾。
谷歌和麦肯锡全球研究所做过一份报告，主旨是关于 AI 造福人类的案例，报告中提到，「 AI 能更准确地提供救援工作和应急准备，相比于人类救援要更快速，而且适用范围更广。」
期待 AI 能够制服火灾的那一天！
超神经小百科
异常检测 Anomaly detection
异常检测就是对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。异常检测有时也称偏差检测。异常对象是相对罕见的。
通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。
特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。
这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法（特别是无监督的方法）将对此类数据失效，除非进行了合适的聚集。相反，聚类分析算法可能可以检测出这些模式形成的微聚类。
历史文章（点击图片阅读）
埃航黑匣子逐步破解，坠机矛头直指全自动化飞行软件
工业爆炸事故频发，AI 已经看不下去了
大幅提高天气预测准确度，微软团队登顶数据竞赛
AI 百科
教程
数据集
商店
更多
http://hyper.ai