AI与卫星影像合力 “追踪”野火动向
图：加利福尼亚州野火带
作者丨James Conca
编译整理｜科技行者
从华盛顿州到新墨西哥州，整个美国西部正面临着由全球变暖、森林管理不善及其他一系列问题引发的史上最大干旱与野火风险。
野火一起，供电很可能随之而断。正如此前爆发的加利福尼亚大火一样，整个连锁反应将给企业和居民带来可怕的后果。
相信很多朋友都从卫星图像中见识过野火、烟雾以及毁林灭地后的真容。但是，如果能够将全球公开发布的高分辨率地球观测卫星图像同AI技术相结合，不就能在关键时间与节点检测并应对火灾、进而防止重大后果的发生吗？
事实上，除了高悬头顶的卫星之外，每个人在社交平台上发布的内容也可作为分析素材。那么，该如何整合来自Twitter、Flickr以及Instagram等社交媒体网络的用户上传公开图像？
除了可见光之外，还有多光谱图像、特别是热成像的配合，它们都能从多个层级以热量为观测对象描绘出火灾全貌。
众多卫星平台都能为多国卫星RADR-Fire分析系统提供数据素材
因此，华盛顿州里奇兰能源部太平洋西北国家实验室（PNNL）开发出了一种野火灾难响应快速分析系统——RADR-Fire。RADR-Fire能够消化所有成像数据，并将AI/云计算同损害评估工具相结合，及时实现早期火灾探测、野火路径预测以及自然灾害影响预估。
这套系统不仅能够评估风险、预测可能发生的情况以及潜在的应对策略，甚至能够提取出过往抑制或控制火灾时最有效的解决办法。系统还可以看到火热的热边界在哪里、将去向哪里、核心高温点在哪里、应在哪里放置阻燃剂并为消防员们找到安全的撤退路线——一切均以实时方式完成。
它甚至能够确定火灾造成了多少碳排放、火灾之后可能引发包括灌水和山体滑坡在内的哪些地质灾难，具体受灾位置在哪里等。
犹他州潘圭奇以南猛犸大火的RADR图像，鲜红色区域表示活跃的火锋，而紫色则表示阴燃区域
据了解，单在2020年一年，全美就有超过1000万英亩土地被野火焚毁，相当于1990年至2000年十年期间平均水平的三倍，由灭火成本、其他直接与间接成本造成的总损失高达1700亿美元。再加上灌水、飓风及其他自然灾害，美国民众的生计因此遭受重大打击。
而RADR-Fire能够为美国境内的所有火灾提供全天候、完全自动化的处置分析流程，包括图像检索、分析与数据传播。无论是偏远的荒野地区、城市周边的郊县、草地及灌木火灾乃至重大森林火灾，都在RADR-Fire的全面监控之下。在此之前，野火分析操作主要依靠夜视图像与飞机收集图像，并由人类分析师对图像内容做出解释。
RADR-Fire充分发挥各颗卫星处于不同轨道、运行轨迹及掠过时间的特性，同时配合国际空间站上的多种实验传感器进一步实现时间区分，由此建立更大的成像覆盖范围。
美国目前处于5级国家防备等级，即最高激活级别，意味着大部分野火事件都将由超过25000名野地消防员及支持人员参与扑救。但是飞机成像资源有限，所以并不是每次火灾都能获得必要的航空测绘数据。在这方面，RADR-Fire挺身而出，负责对全美每一场火灾——无论具体规模、复杂度或所处位置——进行自动成像及分析。FADR-Fire基于云端，因此即使火灾数量在短时间内激增，系统也能随时扩展以满足需求。
虽然目前主要关注美国国内，但这套系统也可用于世界其他区域，利用全球卫星发现包括野火在内的多种自然灾害。
Andre Coleman博士和他的PNNL研究团队曾经是由政府、行业及学术界专家组成的First Five联盟成员，致力于利用先进技术缓解自然灾害的影响。Coleman团队目前正在扩展RADR-Fire的运营分析与建模能力，希望减轻突发事件对关键能源基础设施的破坏。
Coleman团队还将图像捕捉技术（卫星、机载与无人机图像）、AI及云计算相结合，用以评估甚至预测由灾害造成的实际损失。
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