2022极端高温！机器学习如何预测森林火灾？? 万物AI( 二 ) _生活百科

项目核心流程包含以下步骤：数据探索、数据清洗&处理、数据拆分、评估指标、建模与预估。

文章插图
在完成对连续值字段、类别型字段的数据分布探索后，使用缺失值填充、清洗不相关的数据、幅度缩放与归一化等对数据进行处理。以数据中的confidence为目标标签，进行回归建模，并使用均方误差 MSE、平均绝对误差 MAE、均方根误差 RMSE、R 平方分数等指标进行评估。
项目使用了梯度提升回归树 GBDT 和决策树两种方式进行建模，我们借助雷达图来比较GBDT和回归树模型，对比它们在森林火灾预测场景下的效果。

文章插图
内容涉及数据分析处理的技能，欢迎大家查阅 ShowMeAI 对应的教程和工具速查表，快学快用。

文章插图

图解数据分析：从入门到精通系列教程

数据科学工具库速查表 | Pandas 速查表

数据科学工具库速查表 | Seaborn 速查表

深度学习在森林火灾中的应用实践在 2018 年损失惨重的加州大火中，就有一家叫 CrowdAI 的公司通过卫星数据，综合图像视觉技术参与了救援。
CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像，以及 DigitalGlobe 和 Planet Labs 的数据，训练卷积神经网络。只需一秒钟的时间，就能预测和评估受灾程度，再将评估结果报告给救援指挥中心，帮助科学调配救援资源，制定更科学的救援方案。

文章插图
借助于 CrowdAI 自定义的深度学习模型，除了标注常规的房屋建筑，还扩大到了独立结构，比如车棚、公用设施棚和谷仓等。在那一次的火灾中，从卫星图像中识别出结构后，根据受灾前后的图像对比， AI 模型用红点标识出损坏所在的位置。

文章插图
拓展到整个地区，通过标记点的数量定出受灾的严重程度，就能用不同的颜色区别出受灾的程度。
最后在 Google Earth 或 ArcGIS 上标记出来，就能为救灾和重建工作做出指导。

文章插图
CrowdAI 利用卫星图像，通过计算机视觉等技术，提供数据服务，并把精力主要投入在了自然灾害方面。很多救援人员和政府官员，通过这些快速生成的数据，更合理地协调了救援工作，提升了解决紧要问题的效率。
CrowdAI 还与 Facebook AI 进行过合作，研究飓风和火灾造成损失的评估工作。他们的研究成果『From Satellite Imagery to Disaster Insights』也被 NeurIPS 会议所接受。

文章插图
在论文中，他们的研究获到了很好的成绩：在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时，达到了 88.8％的准确率，而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1％。
总结截至2019年的统计数据，与『森林火灾的人工智能应用』这一主题相关的出版物已有300余条，且近年来发表『森林火灾』『机器学习』主题的文章数量急剧增加（数据来源：Scopus数据库）。我们正在将越来越多的目光投向科技，寻求高效、安全的灾害预警与解决方案。

文章插图
在科技到达不了的地方，我们会用团结和信仰去踏平，正如这次的重庆。
参考资料

AI实战 | 基于机器学习的AI森林火灾预测（附代码）：https://www.showmeai.tech/article-detail/326
图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/33
数据科学工具库速查表 | Pandas 速查表：https://www.showmeai.tech/article-detail/101
数据科学工具库速查表 | Seaborn 速查表：https://www.showmeai.tech/article-detail/105
From Satellite Imagery to Disaster Insights：https://aiforsocialgood.github.io/2018/pdfs/track1/23_aisg_neurips2018.pdf