一项突破性的研究表明，人工智能技术模仿人脑功能，在自动检测野火方面展现出了巨大潜力，这将极大提升应对野火灾害的效率。这项研究的成果已被《国际遥感杂志》发表，并引起了广泛关注。
研究团队构建了一个名为“人工神经网络”的模型，该模型结合了卫星成像技术和深度学习算法。为了训练这个模型，研究团队使用了包含有野火和无野火图像的亚马逊雨林数据集。结果显示，该模型在检测野火方面的准确率高达93%。
辛蒂亚·埃莱特里奥教授，来自巴西马瑙斯亚马逊联邦大学，是该研究的主要作者。她表示：“检测并应对野火对于保护脆弱的生态系统至关重要，亚马逊地区的未来取决于我们的迅速行动。我们的研究成果不仅有助于改善亚马逊雨林中的野火检测，还能为全球其他地区的野火管理工作提供重要支持。”
亚马逊地区近年来野火事件频发，2023年共记录了98,639起野火，占巴西生物群落野火总数的51.94%。虽然现有的监测系统提供接近实时的数据，但其分辨率有限，特别是在偏远地区或小规模火灾中难以捕捉到细节。
为了克服这一挑战，研究团队采用了名为“卷积神经网络”（CNN）的人工神经网络技术。CNN是一种模仿人脑神经网络的机器学习算法，通过互联节点处理数据，并且随着数据量的增加，性能会不断提升。研究团队利用来自Landsat 8和9号卫星的图像对CNN进行了训练，这些卫星配备了关键的传感器，能够检测植被和地表温度的变化。
在训练过程中，CNN使用了200张包含野火的图像和相同数量的无野火图像。尽管样本数量有限，但CNN在训练阶段已经展现出了93%的高准确率。为了测试CNN的泛化能力，研究人员使用了40张未包含在训练数据集中的图像。测试结果表明，该模型正确分类了24张有野火图像中的23张，以及16张无野火图像中的全部图像。
卡洛斯·门德斯教授，该研究的共同作者，强调了CNN模型作为现有监测系统重要补充的潜力。他表示：“通过将现有传感器的广泛时间覆盖与CNN模型的空间精度相结合，我们可以在关键环境保护区域显著提升野火监测能力。该模型有望为相关当局提供更先进、更本地化的野火检测方法，成为广泛使用的卫星遥感系统的有力补充。”
