微软、Azure 和人工智能技术共同应对加利福尼亚州野火风险

微软投资于人工智能驱动的山火监测技术，其首席副总裁兼首席数据科学家胡安·拉维斯塔·费雷斯（Juan Lavista Ferres）探讨了减轻环境损害的策略。

据美国国家航空航天局（NASA）称，气候变化影响着地球上的每个人，其表现为气温上升、降雨模式改变以及海平面上升。

NASA指出，有确凿证据表明地球正以史无前例的速度变暖，而人类活动是其主要驱动因素。

随着全球气温上升，野火构成的威胁日益加剧。

在美国，气温上升、长期干旱以及城市化进程的扩大，加剧了社区和生态系统面临的风险。

去年，全美报告了近78,000起野火，较前一年增加了20%。

在加利福尼亚州——那里森林、草原和沿海地貌历来都受火灾影响而形成——当前面临的挑战日益集中于如何管理社区与气候变化影响之间的共存关系。

科学家、消防员以及微软“AI for Good”实验室正利用人工智能更早地探测野火，为应急团队争取更多响应时间。

我们的目标是让这项技术在全球范围内普及。

——微软“AI for Good”实验室副总裁兼首席数据科学家胡安·拉维斯塔·费雷斯。

微软已承诺投入500万美元，用于推进基于人工智能的野火监测技术，资助实时计算机视觉系统的扩展，这些系统展示了在时间紧迫的环境监测中应用机器学习的新方法。

技术如何帮助防止野火蔓延

大规模计算机视觉

几十年来，野火监测一直依赖于人们从道路、瞭望点或附近社区发现烟雾，然后通知应急服务部门。

由加州大学圣地亚哥分校创立的ALERTCalifornia项目，正通过在该州易发生火灾的地区部署近1,300台摄像头的网络，彻底改变这一传统模式。

该系统持续监控摄像头的实时画面，并利用人工智能识别潜在的烟雾迹象。

它会对比不同摄像头的拍摄角度，核实火灾位置，并在数分钟内向应急团队发出警报。

在运行的前两个月里，该网络就检测到了77起事件，且这些事件在通过其他渠道报告之前已被发现。

该系统目前每天处理超过 700 万张图像，能在接到第一通 911 报警电话前 2.5 小时就识别出野火。

该人工智能模型必须将真实的火灾特征与环境干扰（如云层、雾气以及不同时段和季节的光照变化）区分开来。

从茂密的森林到草原和沿海地区，受监测地貌的多样性使这一分类挑战更加复杂。

ALERTCalifornia的创始人、地球物理学家尼尔·德里斯科尔博士表示：“这些数据不仅揭示了地貌的样貌。

ALERTCalifornia 创始人、地球物理学家尼尔·德里斯科尔博士。图片来源：Emily Zheng（通过微软提供）

“它还能帮助我们了解景观随时间的变化。”

根据该项目的运行数据，该模型能在比传统方法早2.5小时检测到火灾，这表明其灵敏度阈值已经过校准，可在保持可接受精度的同时，在早期阶段识别烟雾。

模型在实际运行中的表现

该系统的部署凸显了人工智能系统在关键检测场景中运行时需考虑的实际因素。

每天处理700万张图像需要能够处理大规模连续推理的基础设施，微软500万美元资助中的Azure资助部分有望满足这一计算需求。

来自 Earth.Org 的野火事实

• 野火的点燃需要三个关键条件：干燥的植被（燃料）、富含氧气的空气以及热源。强风会加速火势蔓延。
• 雷电是引发野火的自然因素：雷电是主要的自然起火源，温度更高、持续时间更长的雷击更容易引发火灾。2014 年的一项研究发现，气温每上升 1°C，雷电频率就会增加 12%。
• 美国超过80%的野火由人为因素引起：无人看管的篝火、香烟、烧烤和烟花等活动约占美国野火总数的84%。
• 野火导致大范围空气污染：烟雾中含有气体和细颗粒物，这些物质可长距离传播，深入肺部，增加呼吸系统和心血管健康的风险。
• 气候变化延长了野火季节：气温上升、干旱和降雨减少导致更多植被干枯易燃。在美国，野火季节曾仅持续四个月，如今已延长至六至八个月甚至更久。
• 野火形成气候反馈循环：大规模火灾在释放大量温室气体的同时，还摧毁了储存碳的植被，从而加剧全球变暖，并增加了未来野火发生的概率和强度。

2023年，该系统的检测能力帮助将美国克恩县的“特罗特大火”控制在52英亩范围内，而预测数据显示，若无人工智能干预，火势本可能蔓延至近4,000英亩。

这些实际成果为评估模型影响提供了案例研究，其意义已超越标准的准确性指标。

该技术在2019年美国索诺玛县金凯德大火中的作用——协助疏散了超过18万名居民且未造成人员伤亡——充分展示了早期预警系统如何影响应急响应流程。

“我们在最初的五分钟内就获得了重要信息，”克恩县消防局副局长兼ALERTCalifornia运营副总监扎卡里·韦尔斯表示。

扎卡里·韦尔斯，克恩县消防局副局长兼ALERTCalifornia行动副总监。图片来源：Emily Zheng

“这种早期认知将指导后续的所有行动。”

部署的可扩展性与适应性

微软的资助结构包括 200 万美元的技术研发资金和 300 万美元的 Azure 补助金，这表明其优先考虑模型优化和计算基础设施两个方面。

“我们希望全球各地的人们都能使用这项技术，”微软“AI for Good”实验室副总裁兼首席数据科学家胡安·拉维斯塔·费雷斯表示。

胡安·拉维斯塔·费雷斯，微软副总裁兼首席数据科学家

将该方法推广到加利福尼亚州以外的地区，在模型泛化与迁移学习方面面临技术挑战。

野火风险因地点而异，这意味着系统必须考虑当地的地形、植被、天气条件以及应急响应体系。

一个主要基于加利福尼亚州数据训练的模型，在部署到植被类型、地形或气候模式不同的地区时，可能需要进行微调或重新训练。

该项目还正在开发超越初始检测范围的能力，整合了近98,000平方英里的激光雷达（LiDAR）数据，以构建详细的数字地形模型。

这一向地形测绘、森林健康监测和火灾后风险评估的扩展，预示着更广泛的数据管道架构。

将用于烟雾检测的计算机视觉与基于激光雷达的环境数据相结合，可实现多任务学习方法，从而提升系统的整体智能水平，并为底层基础设施和数据集提供更多应用场景。

人工智能驱动的成像技术加速野火检测

联合国气候快讯

• 自1970年以来，全球地表温度的上升速度超过了至少过去2,000年中任何其他50年期间。
• 地球目前的温度比工业化前时期（1850-1900年）高出约1.42°C。
• 2024年是有记录以来最热的一年，全球平均近地表温度比工业化前基准高出1.55°C。
• 2015-2024年是有记录以来最热的十年。
• 哪怕是零点几度的升温也至关重要。全球变暖每增加一点，极端天气的变化和风险就会随之增加。
• 二氧化碳（CO2）在大气中的积累速度已达到人类有史以来的最高水平，仅在二十年间就上升了10%以上。

微软“AI for Good”实验室项目

极光预报：微软的“极光预报”项目利用一个拥有13亿个参数的人工智能基础模型来分析大气数据，从而提升天气和气候预报的准确性。该模型支持包括天气预报、空气质量建模和极端天气分析在内的多种应用，展示了人工智能如何处理复杂的环境数据集，以加深对大气状况的理解并支持韧性规划。

地理空间机器学习：微软“AI for Good”实验室与多所大学、自然保护机构、非政府组织以及土耳其内政部灾害与应急管理总局合作，将地理空间数据、卫星和航空影像与机器学习相结合。 相关项目包括地震建筑损毁评估、冰川与土地覆盖制图、家禽养殖场制图以及可再生能源监测，从而为灾害响应、自然保护、人道主义行动和环境规划提供支持。

冰川测绘：微软“AI for Good”实验室利用机器学习和卫星影像，支持兴都库什-喜马拉雅地区的冰川测绘和生态监测。 该项目可识别并勾勒出纯净冰川和碎石覆盖冰川的轮廓，同时通过一个网络工具，专家可以审查并修正模型预测结果。该方法旨在加速制图进程，并加深对受气候变化影响的冰川生态系统的理解。

可再生能源测绘：微软的可再生能源测绘项目利用地理空间机器学习技术，对大规模可再生能源开发进行测绘和监测。 该技术有助于组织了解可再生能源基础设施的建设地点，并追踪大范围区域内的变化。通过将人工智能与地理空间信息相结合，该项目展示了机器学习如何支持可再生能源规划，并为监测向清洁能源的转型提供数据支持。

生物声学：微软“AI for Good”实验室与自然保护组织及研究实验室合作，将机器学习和深度学习技术应用于海量的野生动物声音数据。 相关项目包括与洪堡研究所（Humboldt Institute）合作的“Guacamaya 项目”，该项目利用生物声学技术在亚马逊地区进行物种识别。其他工作则致力于白鲸监测以及鸟类和两栖动物叫声的自动分类，从而推动生物多样性研究与保护。

加速生物多样性调查：微软“AI for Good”实验室、微软研究院和微软“AI for Earth”项目与美国国家海洋和大气管理局（NOAA）渔业局、Sieve Analytics 以及 LILA BC 合作，利用机器学习加速生物多样性调查。 这些项目通过分析来自相机陷阱、航空摄像机和麦克风的图像及音频数据，减少人工标注工作。该工作旨在更快地为保护工作者提供野生动物种群数据，为栖息地保护、基础设施建设及反偷猎行动的决策提供支持。

土地覆盖制图：微软的土地覆盖制图工作利用计算机视觉技术，将遥感数据转化为土地利用和土地覆盖信息。 该方法减少了环境科学家和地理空间分析师手动绘制地图所需的时间，使他们能够更加专注于分析和决策。通过实现制图流程的部分自动化，微软支持环境监测工作，并帮助各组织处理大规模的地理空间数据集。