芬兰阿尔托大学的一支研究团队开发了一种AI模型，可预测野火的蔓延情况。
该模型名为FireCNN，基于卫星图像和天气数据进行训练，用于识别火灾高风险区域。
该模型仍在开发之中，但它有望显著提升我们预防野火的能力。
该研究由阿尔托大学的研究人员开发出一种AI模型，可预测预防野火的最佳方式。
该模型因采用卷积神经网络（CNN）而被命名为FireCNN，其基础数据涵盖印度尼西亚婆罗洲中加里曼丹省泥炭地的气候与历史火灾数据。
这一为期四年的项目背后的团队称，该模型可帮助预防高达76%的野火。机器学习使FireCNN能够就不同干预措施在预防或减轻未来野火方面可能的成效作出复杂预测。
因此，地方决策者可利用该模型制定更好的策略，以降低火灾的影响。受气候变化影响，全球火灾的发生频率和破坏力都在不断上升。
“我们能够在输入数据中调整森林管理措施的部分参数，然后运行情景模拟，结果发现观测到的野火发生情况与模拟结果高度吻合，”阿尔托大学副教授马蒂·库穆在接受Dezeen采访时表示。
“因此，我们能够表明，这些策略确实会对减少野火产生相当大的影响，”他补充道。
“在过去两三年里，确实发生了规模巨大的火灾，因此人们非常有兴趣真正了解未来我们如何适应并减轻此类灾害。”
研究团队利用FireCNN评估了在中加里曼丹降低火灾风险的不同策略的效果，并找出了可将火灾数量减少50%至76%的干预措施。
中加里曼丹是东南亚泥炭地火灾密度最高的地区，而为支持农业和住房建设而排干土地的做法又使情况进一步恶化。
该模型可应用于不同地区
迄今为止，尚无法确定哪些干预措施能最有效地降低风险。FireCNN对不同土地管理策略效果的测试发现，将灌丛和矮树丛转化为沼泽森林的效果最为显著。
模拟结果还显示，封堵排水渠同样有效，但会对当地经济造成一定代价。增加种植园数量也能减少火灾数量，但会产生显著的环境影响。
该模型有助于识别最能解释野火发生地点的因素，不过库穆表示，它在预测下一次野火何时何地发生方面尚不够精确，还无法用作早期预警系统。
该模型所预测的一个季节内的火灾中，有95%确实发生了，但它也遗漏了许多其他火灾。研究人员表示，该模型可以帮助减少高度易发地区的野火数量和规模。
库穆希望FireCNN接下来能在不同类型的火灾易发地区进行测试，例如今年夏天遭遇严重火灾的地中海地区。
“看看我们能在不同地区把模型训练到何种程度，将会很有意思，”他说。
“我们找到了解释婆罗洲火灾高发的关键参数，但在地中海地区，这些参数可能完全不同。”
库穆解释说，只有人工智能（AI）的预测能力足以胜任野火预测这类复杂任务。
基于对2002年至2019年间记录数据的学习，FireCNN分析了31个变量，涵盖土地覆盖、植被和干旱等因素。
库穆表示：“我们所建模的一些事物极为复杂，以至于我们无法构建一个普通的数学模型，去理解所有关联以及这些因素如何影响方程。”
“从这个意义上说，AI和机器学习算法非常适合我们正在做的工作，因为影响这些事物的问题繁多，而且没有人真正了解所有机制。”
Dezeen的AItopia系列也曾报道过利用AI开发新型可持续材料和家具设计的项目。
