地球正不可逆地经历着全球变暖。据欧盟哥白尼气候变化服务局 (C3S) 统计，2023 年 7 月是 1940 年以来全球平均气温最高的月份，温度较前工业革命时期的平均气温上升了约 1.5°C，超过了《巴黎协定》设定的临界值。

全球变暖带来的最直观的感受就是高温。在森林茂盛的地区，高温干燥的气候极易引发野火 (Wild fire)。8 月 8 日，美国夏威夷州毛伊岛突发野火。野火乘着台风「朵拉」，迅速席卷了森林，并蔓延到了当地的文化中心——拉海纳，造成数万人无家可归。

与此同时，在气候干燥的北美洲西部地区，野火也在肆虐。美国加拿大火情资源管理系统 (FIRMS, Fire Information for Resouce Management System US/Canada) 的火情地图显示，近一周加拿大西部地区蔓延着过火面积超过 1000 英亩的野火，而在美国东部也存在大量的着火点。

图 2：近一周北美洲火情地图[2]

野火迅猛无情，面对突如其来的野火，人们很难做出及时的反应。但如今，我们可以利用 AI 对野火进行实时监测和预测，将野火带来的损失降到最低。

 预测野火三叉戟

 地理数据：澳洲高校开发 XAI

2023 年 5 月，澳大利亚国立大学的 Abolfazl Abdollahi 和悉尼科技大学的 Biswajeet Pradhan，利用可解释性 AI (XAI)，对澳大利亚吉普斯兰市的不同地理因素进行综合分析，得到了当地的野火发生概率分布图，为预测野火的发生提供了新方法。

图 3：预测野火发生概率的 XAI 工作流

对野火发生概率影响较大的地理特征包括环境因素、地质因素、植被因素和气象因素。本研究中，研究者主要使用了以下 11 个特征，包括降水量、风速、气温、湿度、植被分布、植被面积、植物中的燃料氮、水分以及该地区的海拔、坡度和方位。

研究选用吉普斯兰市 521 个野火发生点，在 2019-2020 年的中分辨率成像光谱仪 (MODIS) 数据、热异常数据以及火灾历史数据进行训练，并通过交叉验证和保留数据集的方式，对训练集进行处理，确保训练过程的准确。

首先，交叉验证技术会将训练集随机分为 5 个子集，其中 4 个子集用于模型训练，1 个子集作为验证集。

图 4：模型训练过程

蓝色数据用于训练，橙色数据用于验证。

训练完成后，将吉普斯兰的环境、地质、植被、气象特征输入模型，可以得到这一地区完整的野火发生概率图，如图所示，模型预测结果和该地的历史野火区域基本一致，说明 XAI 可以根据地理特征对野火发生进行有效预测。

图 5：模型预测结果与历史野火区域对比

b：吉普斯兰的历史野火区域图。

论文地址：

https://www.sciencedirect.com/science/article/pii/S0048969723016224

视频数据：基于烟雾识别起火点 

基于地理数据的野火预测只能提高人们的警觉，却无法对野火的发生进行实时观测。为此，美国加利福尼亚州林业防火部，与加利福尼亚大学圣迭戈分校 (UCSD) 基于 AI，合作开发了名为 ALERTCalifornia 的野火预防项目。这一项目通过分布在加利福尼亚州的 1000 余个摄像机对当地进行监测，借助 AI 识别异常状况，向应急指挥中心发出警报，提醒值班人员确认是否可能有野火发生。

图 6：ALERTCalifornia摄像机分布及实时画面

这一项目于 2023 年 7 月正式投入运行，很快就派上了用场。凌晨 3 点，一个摄像机监测到了位于圣迭戈市东部 80 公里的克利夫兰国家森林的火情。由于事发深夜，烟雾很难被发现，肉眼很难识别这一着火点，极易导致火势蔓延。但 AI 及时向消防队长发出了警报，并帮助消防部门在 45 分钟内将野火扑灭。

然而，这一技术在开发过程中也面临诸多挑战。其中之一便是，如何让 AI 准确分辨野火和其他干扰因素，做出准确判断。森林中存在大量可能引发假警报的因素，包括形状迥异的云、空气中的灰尘、甚至是过路卡车排放的尾气。在百余位专家的共同努力下，AI 在经过了数周训练及迭代后，准确率有了显著提升。

ALERTCalifornia 地址：

https://cameras.alertcalifornia.org/

卫星数据：二次筛选的近实时野火监测 

在特定区域，摄像机可以对野火进行有效监测，但这一方法很难大规模推广，尤其是在一些地域广博、地形复杂的区域，布置和维护摄像机的成本会大幅增加。因此，实时卫星数据也可以作为 AI 的武器，用于野火的实时监测。

电子科技大学何彬彬课题组，结合随机森林模型 (Random Forest) 和空间上下文算法 (Spatical Contextual Algorithm) 构建了机器学习模型，通过卫星数据实现了近实时的野火监测。

传统的 AI 野火识别系统往往使用单一算法，因此带来数据遗漏或误报。本研究中，数据首先经过随机森林模型进行严格筛选，避免遗漏。随后用阈值相对较低的空间上下文算法进行二次筛选，排除掉假警报，以此提高监测模型的准确率。

图 7：野火识别模型的工作流

科研人员以日本宇宙航空研究开发机构 (JAXA) 和美国航空航天局 (NASA) 记录的野火数据为训练集，对模型进行训练。随后，将 2020 至 2022 年的发生野火位置的卫星数据作为验证数据，让模型进行判断。

图 8：野火识别模型的卫星数据验证结果

图中可以看到，对于大部分火灾，这一模型可以准确定位野火源头，做出及时的预警。AI 野火识别模型以实时卫星数据作为数据源，结合随机森林模型和空间上下文算法，降低了模型的漏报率和误报率，实现了近实时的野火预警。

野火的主要诱因是人类活动，如无人看管的营火、随手乱丢的烟头或是设备的不规范使用。此次夏威夷野火的可能原因就是电力设施受损。火苗在全球变暖带来的高温干燥环境和台风「朵拉」的共同影响下，迅猛发展，为当地居民带来了巨大损失。

图 9：野火之后的拉海纳[3]

野火的扑救是一场与时间的赛跑。据估计，野火每小时可以蔓延约 23 公里，着火面积在 4 个小时内将会扩大 4 倍。2017 年的美国加利福尼亚州托马斯野火每秒可以蔓延一个足球场的面积，最终持续燃烧了 3 个多月。

因此，野火的监测和扑救往往需要用到多种技术，以在最短时间内发现着火点，将野火尽快扑灭，避免其扩散。目前我国监测野火有六道防线，分别是卫星监测、飞机监测巡护、林区瞭望塔台、视频监控系统、地面巡护和网络舆情感知。

在多种技术的加持下，我国森林火灾次数已由 2010 年的 7723 起降至 2022 年的 709 起。然而，2019 年四川省木里县的森林火灾和 2020 年的四川省西昌市森林火灾，都导致了重大的人员伤亡，森林火灾的监测和预防依然面临挑战。

目前，地理数据、视频数据及卫星数据都可以作为 AI 的原始数据，用于野火的早期判断，将火情扼杀在摇篮之中。虽然我国幅员辽阔，各地的气候地形差异较大，很难实现野火的彻底预防，但相信在 AI 的帮助下，我们最终可以赶上时间，将野火的危险性降至最低。

参考链接：

[1]https://climate.copernicus.eu/july-2023-warmest-month-earths-recent-history

[2]https://firms2.modaps.eosdis.nasa.gov/

[3]https://www.washingtonpost.com/climate-environment/2023/08/10/hawaii-wildfire-maps/

[4]https://www.bjnews.com.cn/detail/168429261314778.html