为应对森林火灾，消防员可否引入一支人工智能大军作为联盟？_风闻

撰文 | 太浪

面对无情而汹涌的自然灾害，人工智能能够做些么？国外的消防员们正在招募一支AI大军作为强大盟友，共同对抗森林大火。

2019 年 3 月 30 日，四川省凉山州木里县境内发生森林火灾，27 名森林消防指战员和 3 名地方扑火人员因此遇难。

不止四川，连日来，我国还相继发生了这几起森林火灾：3 月 29 日，山西省长治市沁源县森林大火；3 月 30 日，北京市密云区山火；3 月 31 日，云南省西双版纳州发生森林大火。其中沁源火灾的过火面积达 360 公顷，3800 余名群众撤离。而在 3 月 14 日山西沁源县发生的另一起森林火灾中，消防队员遭遇风向突变，7 人被困火场，其中 6 人抢救无效牺牲。

导致森林大火的原因多样。在 4 月 1 日四川省林业和草原局向省委省政府提交的紧急报告中显示，3·30 凉山火灾系雷击引起。但在扑火过程中，风力风向突变影响，突发林火爆燃，瞬间形成巨大火球，继而造成 30 名扑火人员遇难。在山西沁源 3.14 森林火灾中，主要是由村民在地里耕时使用明火造成。

森林火灾位居破森林的三大自然灾害（病害、虫害、火灾）之首。它不仅给人类的经济建设造成巨大损失，破坏生态环境，而且还会威胁到人民生命财产安全。消防员们正在招募一支 AI 大军作为强大盟友，共同对抗「野火」（森林大火）。

基于 AI 的技术正被用于灾前预警和灾后重建工作当中，并且在火灾发生时发出警报。

AI 消防工具的引进

小型卫星以及处理数据的超级计算机普及，将帮助人们将 AI 作为一种消防工具。由人工智能驱动的计算机程序，正被部署到地面和太空中做各种事情，从更精确地绘制野火风险地图，到在火灾发生前数小时发出警报，不一而足。

消防专家表示，这项技术仍处于初级阶段，可以大幅降低森林大火的威胁。近年来，在受干旱困扰的美国西部地区，发生野火的规模越来越大，火灾的破坏力也越来越强。

「没有什么能完全取代人脑来做决定，但人工智能可以帮助我们在更广泛的领域做出更好的决策，」大自然保护协会的森林生态和消防经理爱德华·史密斯（Edward Smith）认为。他还表示，目前他们正与县、州、联邦和非营利组织合作，在加利福尼亚州内华达山脉大片容易发生灾难性野火（森林大火）的地区，减少和控制燃烧。

今年夏天，在太浩湖 (Lake Tahoe）附近一块 2.8 万英亩的土地上，该组织计划测试一个人工智能项目，旨在快速评估大约 100 英亩的土地上实施间伐方案，是否会留下足够的开放空间，帮助预防大规模火灾。间伐指在未成熟的森林中，定期的重复伐去部分林木，为保留的林木创造良好的环境条件，促进其生长发育。同时，通过抚育间伐还能获得部分木材。

他表示，该 AI 项目将使用日常的高分辨率卫星图像，对间伐工作前后的森林情况进行近乎实时的评估。否则，木材工人将不得不依靠昂贵的飞机飞越上空，或者依靠不那么精确、甚至可能出错的地面评估。

「有数百万英亩的土地需要关注，我们要得到所有能得到的帮助。」史密斯说，「人工智能可以帮助我们看到更大的景观。」

NASA 的计算机工程师 James MacKinnon（詹姆斯·麦金农）表示，他正在完成一个研究项目，该项目需要在 NASA 牛奶盒大小的卫星 Cube Sats 上安装智能软件，让它们全天在森林上空拍摄彩色编码的照片，以显示火灾发生的时间。

麦金农说，已经有卫星拍摄到野火（森林大火）的照片，但它们每天只拍一次，而且数据必须通过计算机处理。

「即使在最好的情况下，也需要几个小时才能发出火灾警报。」麦金农说，「我们需要将延迟 (警报时间) 减少到一个小时或者更短，而这项技术是实现这一目标的一部分。」

**AI 消防工具的引进得益于两个主要因素：**小型卫星增多以搜集到更多森林照片数据，以及用于处理数据的超级计算机资源的丰富。

其中一个关键举措是，微软在 2017 年宣布开展 AI for Earth 项目，让普通公众也能够基于其云计算的工具以及人工智能服务，解析来自卫星和其他数据资源的信息。

微软给个人和团体发放补助金，帮他们支付因解决环境问题（如预防火灾）而访问云的成本。

「我们现在是盲目行动，」计算机巨头、华盛顿州雷德蒙德市首席环境官 Lucas Joppa（卢卡斯·乔帕）说，「我们不清楚美国国家森林的状况如何，但我可以在一毫秒内给你指出一家咖啡店的位置。」

绘制国家森林地图

大约一年前，微软补助金的获得者之一 Silvia Terra 公司，开始使用微软的网络，根据卫星数据——包括来自 USGS（美国地质勘探局）和 NASA（美国国家航空航天局）实施的 Landsat 计划（陆地卫星改进计划）的数据——绘制国家森林地图。

这家位于旧金山的公司，预计在 4 月 22 日「世界地球日」之前，完成 4 亿多英亩森林的测绘工作。

有了这个森林地图，该公司希望能向美国林务局、环保组织、木材公司和私人土地所有者提供信息，比如，特定地点树木的大小和种类指导间伐工作。

Silvia Terra 的联合创始人 Zack Parisa（扎克•帕里萨）表示，该公司仅有 10 名员工，如果没有先进的技术，想要做这件事，可能需要数千名员工。帕里萨说，「一个人一天大概可以测量 20 英亩土地，但是有了人工智能，你可以做一整片森林。」

​USGS（美国地质勘探局）副首席信息长 Tim Quinn（奎因）说，他希望人工智能能帮助土地管理人员更好地应对野火（森林大火），就像该技术帮助提供更准确的东海岸部分地区飓风破坏的预报一样。

奎因说，「人工智能肯定会在建模和警报方面提供帮助，这将使决策者能够了解，他们希望如何对这些信息做出反应，因为这些信息与火灾有关。」

在国内，海康针对大兴安岭某森林防火视频监控系统试点项目也具有一定借鉴意义。

该项目属于大兴安岭地区重要的森林防火的试点项目，前端热成像采用海康威视最新 DS-8031 系列重载云台，搭载 150mm 热成像和 750mm 可见光镜头，可识别 5 公里 2m*2m 火点，烟 10*10 个像素。自带激光测距功能可精准定位火点位置，中心 iVMS-9830 可视化应用管理平台整合森林防火应急指挥业务平台, 可实现火点定位、火场分析、火势蔓延分析、应急调度指挥、灾损评估功能。

通过视频系统监控方案的建设，可针对具体区域的项目加强森林火灾预防、扑救和保障三大体系建设，从而有效提高综合防控能力。

测定火灾风险层级

另一家位于旧金山的公司 Salo Sciences 正在开发一款人工智能软件产品，根据对已经死了的和快要死的树木的分析，绘制出森林大火风险最高的区域。

该公司联合创始人兼 CEO Dave Marvin（戴夫•马文）表示，该公司首先关注的是加州，后续会扩展到西部其他地区。据估计，在经历了本世纪初的五年干旱之后，加州已有 1.5 亿棵树木死亡。

「目前，野火（森林大火）风险地图中的一些数据已有 15 年的历史，」马文博士说，他与斯坦福大学研究生 Christopher Anderson（克里斯托弗·安德森）共同成立了这家公司。「我们认为，需要建立一个新的框架，来研究如何获取卫星图像和数据，并更快地为保护工作提供信息」

马文博士说，Salo Sciences 还在研究森林中树木的高度和密度等变量，以帮助确定野火风险。「如果是个矮、茂密的森林，那就是火灾危险更高。高矮不一的混合更健康。」

在四川省凉山州木里县境内发生森林火灾事件中，就是由于受风力风向突变造成突发林火爆燃，瞬间形成巨大火球。最终导致 30 名扑火人员牺牲。

林火爆燃通常指爆炸性燃烧，和森林灭火平时说的「轰燃」相近，往往发生突然，会瞬间形成巨大火球、蘑菇云，温度极高。与「轰燃」息息相关的原因主要有两种。一种是林内可燃物堆积时间长、发生腐烂，产生以沼气为主的可燃气体，突然遇火再加上细小可燃物作用，产生轰燃。

数据显示，过去 5 年，我国森林面积达到 31.2 亿亩，成为同期全球森林资源增长最多的国家。特别是全面停止天然林商业采伐后，林区林下的可燃物积累加快，大小兴安岭、长白山、滇北、川西这些大面积的原始林区，可燃物载量已经达近 20 年峰值。

造成「轰燃」的另一种原因是，林火烧到狭窄的山脊、单口山谷、陡坡、鞍部、草塘沟、山岩凸起等特殊地形，使可燃物同时预热，共同燃烧，瞬时形成巨大火球和蘑菇云。比如狭窄山脊线，受热辐射和热对流影响，温度极高；而且又容易形成飘忽不动的气流，山火方向难以预测。

在灭火救援前，消防队员如果能够获得火灾区域地形图和风险指示数据，尽量避开危险地形、危险植被类型，避开危险的气象条件科学扑救，将有效避免「二次」伤害的发生。

灾后及时评估

此外，灾后的评估工作也显得十分重要，帮助紧急救援人员确定受灾最为严重的地区，能够更为高效地实施灾后重建工作。Facebook 研究小组就创建了一套名为「灾害影响指数」(disaster Impact Index, DII) 的度量标准，用来衡量某地区自然灾害造成的破坏程度，该指数可用来推测严重的洪灾或火灾损失。

这项名为「从卫星图像到灾难洞察」的研究由 Facebook AI 研究部门的研究员 Saikat Basu、Guan Pang 以及 Crowd AI 公司的机器学习主管 Jigar Doshi 共同完成。Crowd AI 是一家人工智能应用众包公司。

这套工具基于卷积神经网络，目前准确率达到 80% 以上。在 2017 年德州 Sugar Land 附近的飓风 Harvey 中识别受损道路的准确率为 88.8%，在圣罗莎大火中识别受损建筑的准确率为 81.1%。

不同于以往一些基于人工智能的分析依赖于灾后地区的静态图像进行分析，这种新技术通过对灾前和灾后拍摄照片对比，并将每张照片分解成更小、更容易识别的照片网格。

「作为这项工作的一部分，我们只关注道路和建筑，但是这可以延伸反映出灾害对其他自然界和人造特征的影响。」Facebook 在一篇论文中称。