AI与卫星影像合力 “追踪”野火动向

图片：加州野火带

从华盛顿州到新墨西哥州，整个美国西部都面临着全球变暖、森林管理不善等一系列问题导致的历史上最大的干旱和野火风险。

有了野火，电力供应很可能会被切断。就像之前爆发的加州大火一样，整个连锁反应会给企业和居民带来可怕的后果。

我相信很多朋友已经从卫星图像上看到了野火、烟雾以及森林砍伐和土地破坏后的真实面貌。但是，如果能将全球发布的高分辨率对地观测卫星图像与AI技术相结合，能否在关键时刻用节点探测和处理火灾，进而防止重大后果的发生？

其实除了挂在头顶的卫星，大家在社交平台上发布的内容也可以作为分析素材。那么，如何整合来自Twitter、Flickr、Instagram等社交媒体网络的用户上传公共图片呢？

除了可见光，还有多光谱图像，尤其是热成像，可以以热为观察对象，从多个层面刻画整个火灾画面。

许多卫星平台可以为多国卫星RADR-火灾分析系统提供数据资料。

因此，位于华盛顿州里奇兰的能源部太平洋西北国家实验室(PNNL)开发了一个野火灾害响应快速分析系统—— ADR-Fire。RADR-Fire可以消化所有成像数据，并将AI/云计算与损害评估工具相结合，及时实现早期火灾探测、野火路径预测和自然灾害影响预测。

该系统不仅可以评估风险，预测可能的情况和潜在的应对策略，还可以提取最有效的解决方案来抑制或控制过去的火灾。该系统还可以看到热的热边界在哪里，它将走向哪里，核心高温点在哪里，阻燃剂应该放在哪里，并为消防员找到安全的疏散路线。——一切都是实时完成的。

它甚至可以确定火灾造成了多少碳排放，火灾发生后可能引发哪些包括灌溉、山体滑坡等地质灾害，具体的灾害位置在哪里。

犹他州潘贵奇南部猛犸象火灾的RADR图像，亮红色区域表示活跃的火锋，而紫色区域表示闷烧区域。

据了解，仅2020年，美国就有1000多万英亩土地被野火烧毁，相当于1990年至2000年十年间平均水平的3倍，因灭火费用等直接和间接成本造成的总损失高达1700亿美元。再加上灌溉、飓风等自然灾害，美国人民的生计受到重大打击。

RADR消防可以为美国的所有火灾提供全天候和全自动的处置和分析流程，包括图像检索、分析和数据传播。无论是偏远的荒野地区、城市周边的郊县、草原和灌木火灾，甚至是重大森林火灾，都在RADR大火的全面监控之下。在此之前，野火分析主要依靠夜视图像和飞机采集的图像，人类分析师解释图像的内容。

RADR-Fire充分发挥卫星在不同轨道、轨迹和通过时间上的特点，同时与国际空间站上的各种实验传感器配合，进一步实现时分，从而建立更大的成像覆盖范围。

目前，美国处于5级国家准备级别，也就是最高的激活级别，这意味着大多数野火将由2.5万多名现场消防员和支援人员扑灭。然而，飞机成像资源有限，因此并不是每场火灾都能获得必要的航空测绘数据。在这方面，RADR-消防站挺身而出，负责自动成像和分析美国的每一场火灾——，无论其具体规模、复杂性或位置如何。FADR-Fire基于云，因此即使火灾数量在短时间内快速增加，系统也可以随时扩展以满足需求。

目前主要集中在美国，但这一系统也可以用于世界其他地区，利用全球卫星发现包括野火在内的各种自然灾害。

安德烈科曼博士和他的PNNL研究团队曾经是“一五联盟”的成员，该联盟由来自政府、行业和学术界的专家组成，致力于利用先进技术减轻自然灾害的影响。科尔曼的团队目前正在扩大RADR-消防的运营分析和建模能力，希望减少紧急情况对关键能源基础设施造成的破坏。

科尔曼团队还结合图像捕捉技术(卫星、机载和无人机图像)、AI和云计算，对灾害造成的实际损失进行评估甚至预测。

俄勒冈州杰克大火（北）与道格拉斯郡大火（南）的RADR图像中显示出多项关键元素。请注意图中关于部分高压输电线路发生火灾的描述。插图部分对此做出更多细节说明

上图就是RADR-Fire发挥作用的典型案例。俄勒冈州杰克大火（北）与道格拉斯郡大火（南）的RADR图像中显示出多项关键元素。请注意图中关于部分高压输电线路发生火灾的描述。在图像的右下角（东南角），可以看到著名的火山口湖公园。RADR-Fire的分析结论来自欧洲航天局Sentinel-2地球观测卫星于2021年8月15日11：59（太平洋夏令时）收集到的图像。Sentinel-2拍摄的单一图像可覆盖约4650平方英里（68 x 68英里）的区域，卫星会沿轨道每几秒钟拍摄一张图像。插图中显示了捕捉自野火期间的更多详细信息。

但单凭图像并不足以给出准确预测。因此RADR-Fire会将影像分析同天气、可燃物、预报数据等结合起来。例如，风向、植被及任何可以助燃的物料都会对火灾的规模和方向造成影响。通过将图像与可燃物数据及野火模型相结合，人们即可准确预测出火灾的行进路径。

当然，这些评估结果需要被尽快交付至合适的人手中。灾害协调需要地方、区域及国家资源的全面投入，而不同资源往往处于不同位置，因此必须以易于访问和解释的格式加快数据交付速度。云系统能够提供端到端管道，供人们随时随地、甚至在数据通信受限的环境中经由桌面网络浏览器或者用户设备上的移动端应用实现图像检测、分析处理与数据传播。由视觉分析生成的图像和数据集将由此被快速由广大救灾组织获取。

正如Coleman所言，“整个流程使用应用程序编程接口（API），使得我们的系统能够与世界各地的其他系统进行通信。在获得图像之后，相关数据会从传感器被传递至我们的云系统，在这里接受预处理（每个卫星传感器拥有不同的预处理步骤），而后由一组经过训练的机器学习（AI）代码根据国家野火协调组制定的标准进行图像提取与数据分类——具体包括高热边缘（火锋）、分散热点、点状火灾以及热边界（整体影响区域）。这些机器学习模型会使用数据的独特电磁频谱特征来推导出所需的信息，而后将这些分类数据以基于图像的格式转换为矢量格式，尽可能降低数据文件的体积以便于在受限的数据通信环境中传输。”

“这些地理信息系统（GIS）文件被存储在开源地理空间数据库内，并以开放地理空间联盟（OGC）数据服务的形式进行交付，可供各网站、应用程序及GIS软件随时接入、检索并用于火灾控制流程。数据中还包含火灾信息、图像收集日期/时间、收集图像的卫星、算法与版本以及其他相关信息，为最终用户提供全面的本体记录。这套系统在设计上非常灵活，因此各最终用户能够以多种方式充分运用其中的数据和信息。”

当然，公众还可以通过以下互动网站查看其中部分信息。

下图为交互操作的屏幕截图。

RADR-Fire是一项全面的技术系统，通过使用国内外开放访问的高分辨率地球预测卫星收集多光谱图像、特别是红外图像，用以补充现有火灾管理实践