靠机器学习辨识易燃物减缓加州森林野火灾情

加州前些时日野火肆虐，而火灾的地点通常很难预测，而美国学生以TensorFlow建立了模型，透过图像侦测森林地上的可燃物，以估算火灾发生的机率。还计划与政府单位合作部署自动化量测装置，以减少人力收集数据需求。从去年开始，加州的蒙塔维斯塔高中（Monta Vista High School）的两名学生Aditya Shah和Sanjana Shah便着手寻找降低野火威胁的方法。Aditya Shah曾在Rancho San Antonio空地保留区待过一阵子，希望可以尽一份心力保护自然景观，而Sanjana Shah则是曾因居住的地方受野火影响而被迫撤离，两人都想找出解决办法，在森林火灾发生前降低损失。野火带来的灾害，不仅会破坏生物自然栖地，同时也会对人与财产造成威胁。在解决野火问题上，阻止火灾发生可能的成因，比火灾发生才救火更有效率的多，虽然消防员会使用美国国家海洋和大气管理局（NOAA）或是其他机构的第三方天气数据源，来预防野火发生，但很多地区的气象站缺少主动监控可能造成野火的天气属性，缺少的数据也让消防员计划与控制野火的行动更加困难。

而Aditya Shah和Sanjana Shah的解决方案，则是建立了一个TensorFlow模型，透过量测森林地上可燃物的量，以评估火灾发生的机率。他们先拍摄了Rancho San Antonio空地保留区的草丛照片，并将照片分为有绿色潮湿难以燃烧的灌木或叶子、干燥的树枝与叶子以及普通泥土或灰烬的不可燃物。他们训练了一个模型，用来分辨这些地被类型，总共使用了150个训练样本，3个类型的图片约各占三分之一，以及额外的50个图像测试数据集。在训练上，他们挑选了以Python撰写的开源神经网络函式库Keras，在Keras训练模型有两个好处，除了允许将TensorFlow Estimator输出至各种平台与装置上执行外，还能简单快速的实作出设计原型，并在CPU或GPU上无缝运作。

尽管Aditya Shah和Sanjana Shah的方法，足以对不同类型的草丛进行分类，但是进一步的，他们还想要对像是整个Rancho San Antonio空地保留区大范围的地区进行评估。为此他们使用了高传真图像传感器，连接远程低功耗LTE，把捕捉到的图片直接传回主机中，一边执行模型外还能同时对新收到的图像进行分类。该装置同时也会收集风速、风向、湿度和温度等其他天气指针，可以对大约100平方公尺的面积进行分类，以侦测地被是否有发生火灾的可能性。而他们正结合NOAA的风速和风向数据，以及实时收集到的数据，推算出火灾可能扩散的方向。

虽然目前使用图像分类和传感器的系统目前仍分开运作，但他们计划未来要将这两个系统结合在一起，除此之外，由于现在这个系统是在游戏型笔电上执行TensorFlow模型，他们还计划要将系统搬上云端，以实现更灵活的规模扩展。在偏远的森林地区收集资料也是目前的一大挑战之一，他们正实验以无人机来搜集地面资料。也由于加州林业与消防部（California Department of Forestry and Fire Protection，Cal Fire）现在需要靠人力测量树枝重量以量测潮湿程度，因此Aditya Shah和Sanjana Shah将继续与Cal Fire合作部署感测装置，以减少人力需求。