Новая технология использует модель "Искусственных нейронных сетей", которая сочетает технологию спутниковой съемки с глубоким обучением (подмножество искусственного интеллекта (ИИ) и машинного обучения).

Результаты, опубликованные в рецензируемом Международном журнале дистанционного зондирования, сообщают о 93%-ном успехе при обучении модели с помощью набора данных изображений тропических лесов Амазонки с лесными пожарами и без них.

Утверждается, что эта технология может быть использована в качестве дополнения к существующим системам искусственного интеллекта для усиления систем раннего предупреждения и совершенствования стратегий реагирования на лесные пожары.

"Способность обнаруживать лесные пожары и реагировать на них имеет решающее значение для сохранения хрупкого экологического баланса этих жизненно важных экосистем, и будущее этого региона Амазонки зависит от решительных и быстрых действий", - объясняет ведущий автор профессор Синтия Элеутерио из Федерального университета Амазонии в Манаусе.

"Результаты нашего исследования могли бы улучшить обнаружение лесных пожаров в экосистеме Амазонии и в других частях мира, значительно помогая властям в борьбе с подобными инцидентами и управлении ими".

В 2023 году только в Амазонии произошло 98 639 лесных пожаров. На тропические леса Амазонки также приходится значительная часть (51,94%) лесных пожаров в бразильских биомах. В последние годы в этом районе наблюдается заметный рост числа подобных инцидентов.

В настоящее время мониторинг в Амазонии обеспечивается данными, получаемыми практически в режиме реального времени, однако он имеет умеренное разрешение, и возможность обнаружения деталей в отдаленных районах или небольших очагах пожара ограничена.

Эта новая технология использует тип искусственной нейронной сети (алгоритм машинного обучения, который использует сеть взаимосвязанных узлов для обработки данных способом, имитирующим человеческий мозг), называемый сверточной нейронной сетью (CNN), для классификации районов тропических лесов, пострадавших от лесных пожаров, и улучшения проблемы. Разработанные алгоритмы со временем повышают свою производительность за счет работы с растущими объемами данных.

Исследовательская группа, все сотрудники которой базируются в Федеральном университете Амазонаса, использовала изображения, полученные со спутников Landsat 8 и 9, для обучения CNN. Эти спутники оснащены ближним инфракрасным излучением и коротковолновым инфракрасным излучением, которые в совокупности имеют решающее значение для обнаружения изменений растительности, а также изменений температуры поверхности.

Во-первых, CNN был обучен на наборе данных из 200 изображений лесных пожаров и равного количества изображений без лесных пожаров, чтобы обеспечить сбалансированный подход к обучению. Несмотря на небольшое количество изображений, этого оказалось достаточно для того, чтобы CNN достигла точности в 93% на этапе обучения.

Затем способность CNN различать изображения с лесными пожарами и без них была протестирована с использованием 40 изображений, не включенных в обучающий набор данных. Модель правильно классифицировала 23 из 24 изображений с лесными пожарами и все 16 изображений без лесных пожаров, что подчеркивает ее надежность и способность к обобщению, а также демонстрирует ее потенциал как инструмента эффективного обнаружения лесных пожаров.

"Модель CNN могла бы послужить ценным дополнением, позволяющим проводить более детальный анализ в конкретных регионах. Сочетая широкий временной охват современных датчиков с пространственной точностью нашей модели, мы можем значительно улучшить мониторинг лесных пожаров в критических зонах охраны окружающей среды", - утверждает соавтор профессор Карлос Мендес, имеющий докторскую степень по физике.

"Модель обладает потенциалом для оказания существенной помощи компетентным органам в борьбе с подобными инцидентами и управлении ими, обеспечивая продвинутый и более локализованный подход к обнаружению лесных пожаров.

"Он служит дополнением к хорошо зарекомендовавшим себя крупномасштабным системам мониторинга, таким как спутниковый спектрорадиометр изображений среднего разрешения (MODIS) и набор радиометров изображений в видимом инфракрасном диапазоне (VIIRS), которые широко используются для непрерывного обнаружения лесных пожаров".

В дальнейшем авторы рекомендуют увеличить количество обучающих изображений для работы CNN, что "несомненно приведет к созданию более надежной модели".

Они предполагают, что можно было бы также изучить другие области применения CNN, такие как мониторинг и борьба с обезлесением.