在过去几年中，随着全球气温的上升和天气模式的变化，美国遭受了毁灭性的野火袭击，使这种自然现象变得特别难以预测和严重。为了提供帮助，斯坦福的研究人员找到了一种方法，利用机器学习和卫星图像追踪和预测干燥的高危地区。 目前测试森林和灌丛地对野火敏感性的方法是通过人工收集树枝和树叶，并测试其含水量。这种方法准确可靠，但显然也相当耗费人力，而且难以规模化。幸运的是，研究人员最近有了其他的数据来源。欧空局的“哨兵 ”卫星和“陆地”卫星已经积累了大量的地球表面图像，经过仔细分析后，可以为评估野火风险提供第二种来源。 这并不是第一次尝试从轨道图像中进行这种观测，但之前的工作主要依赖于 "极度特定地点 "的视觉测量，这意味着分析方法因地点不同而有很大差异，其难于规模化。斯坦福团队利用的先进技术是“哨兵”卫星的 "合成孔径雷达"，它可以穿透森林树荫并对下面的地表进行成像。 “我们最大的突破之一就是研究了一组较新的卫星，这些卫星使用的波长要长得多，这使得观测结果能够对森林树荫深处的水分敏感得多，直接代表燃料水分含量，”该论文的资深作者、斯坦福生态学家Alexandra Konings在一份新闻稿中说。 该团队将这些自2016年以来定期收集的新图像与美国林业局的人工测量结果一起“反馈”给了一个机器学习模型。这让模型能够“学习”图像中哪些特定的特征与地面实测数据相关联。然后，他们测试了所产生的人工智能，让它根据旧数据进行预测。它是准确的，而且对美国西部最常见的生物群落之一、也是最容易受野火影响的生物群落之一灌丛地的预测最准确。 你可以在这张交互式地图上看到这个项目的结果，显示了模型对美国西部不同时期的干旱预测。这对消防员来说是对这一方法的验证-但同样的模型，在给出最新的数据后，可以对即将到来的野火季做出预测，这可以帮助有关部门在控制性燃烧、危险区域和安全警告方面做出更多的决策。 科学家的研究成果发表在《 Remote Sensing of Environment》期刊上。
