Dyb læring øger nøjagtigheden af Amazon-brandeopdagelse til 93%

Det forskerteam fra Universidade Federal do Amazonas har udviklet en kunstig neuralt netværk (ANN) model, der bruger satellitbilleder og dyb læringsteknikker til at opdage skovbrande i Amazonas regnskov med en høj succesrate.

“Evnen til at opdage og reagere på skovbrande er afgørende for at bevare den skrøbelige økologiske balance i disse vitale økosystemer, og fremtiden for dette Amazonas-område afhænger af beslutsom hurtig handling.”

– Hovedforfatter professor Cíntia Eleutério fra Universidade Federal do Amazonas

Selvom overvågning i Amazonas i dag stadig leveres med realtidsdata, har den moderate opløsninger, og evnen til at opdage detaljer i mindre brandudbrud eller fjerntliggende områder er begrænset.

Modellen udgør derfor en kraftfuld løsning til automatisk at opdage skovbrande, hvilket markant reducerer den tid, der er nødvendig for at afbøde deres ødelæggende virkninger.

Udgivet i International Journal of Remote Sensing, rapporterer undersøgelsesresultaterne en succesrate på op til 93% ved træning af modellen på Amazonas regnskovs billeder med og uden skovbrande. Ifølge medforfatter professor Carlos Mendes:

“CNN-modellen kunne fungere som et værdifuldt supplement, der muliggør mere detaljerede analyser i specifikke regioner. Ved at kombinere den brede tidsmæssige dækning af de nuværende sensorer med den rumlige præcision i vores model, kan vi markant forbedre brandovervågning i kritiske miljøbevaringszoner.”

Undersøgelsen bemærkede, at integrationen af satellitbilleder og AI præsenterer en proaktiv tilgang til at håndtere de stigende udfordringer forårsaget af skovbrande, samtidig med at den bidrager til feltet fjernmåling og dyb læring. 

Teknologien tilbyder især potentialet til at forbedre tidlige varslingssystemer og forbedre brandresponsstrategier, hvilket hjælper med at bevare kritiske økosystemer som Amazonas. Integration i eksisterende overvågningssystemer kan let tage 1 til 3 år, afhængigt af yderligere validerings- og implementeringsindsatser. Men lad os se nærmere på de fremskridt, den nye teknologi tilbyder verden.

Jordens lunger står over for en alvorlig trussel

Amazonas regnskoven er en globalt betydningsfuld ressource, der indeholder flere millioner arter af fugle, insekter, planter og andre former for liv. Den er verdens rigeste og mest varierede biologiske reservoir.

Mennesker over hele verden er afhængige af denne regnskov, ikke kun for mad, vand, træ og medicin, men også for at hjælpe med at stabilisere klimaet med massive 150-200 milliarder tons kulstof lagret i den.

Amazonas regnskoven udøver en stærk socio-miljømæssig og økonomisk indflydelse på Brasilien og udgør omkring 40 % af den samlede areal i den sydamerikanske nation. Ud over Brasilien strækker regnskoven sig over otte andre sydamerikanske lande.

I betragtning af dens store rolle i bevarelse af biodiversitet og global klimaregulering er Amazonas regnskov af stor økologisk betydning.

Dog står den over for en stigende krise i form af ukontrolleret skovrydning, ikke-bæredygtige arealanvendelsespraksisser og den umiddelbare trussel fra skovbrande.

I løbet af det sidste halve århundrede har temperaturstigningen ført til intensivering af tørker i regionen. Tingene vil kun eskalere yderligere, idet de fleste modeller forudsiger en stigning i intensiteten af den tørre sæson i Amazonas regnskov i det 21. århundrede. 

Denne eskalering skyldes strålingskræfter og nedsat produktion af aerosol, hvilket forårsager unormale variationer i havoverfladetemperaturer (SST), der fører til udsving i nedbørsmængden over Amazonas regionen.

Hvis denne nye klimakonfiguration bekræftes, bemærkede undersøgelsen, kan regnskoven blive et forstærket system, der er tilbøjeligt til skovbrande. Dette udsætter Jordens lunger for en stigende trussel på grund af det stigende antal skovbrande. 

De miljømæssige følger af disse brande er heller ikke begrænset til de regionale grænser; de påvirker snarere globale klimamønstre og biodiversitet. Dette gør det afgørende at opdage og reagere på skovbrande i Amazonas. 

For at overvåge og håndtere denne miljøkrise er fjernmåling gennem satellitbilleder fremkommet som et vigtigt værktøj til at bevare den skrøbelige økologiske balance i dette vitale økosystem.

Klik her for at lære, hvorfor brandsikkerhed er vigtigere end nogensinde.

Den alvorlige virkning af intensiverende skovbrande

Baseret på data fra National Institute for Space Research (INPE) på TerraBrasilis webplatformen forblev skovbrande mellem januar og juni lave fra 1999 til 2023. Antallet af hændelser steg dog betydeligt mellem juli og november, før det faldt i december.

Antallet af brandhændelser var lavt gennem hele året mellem 1999 og 2001. Brandintensiteten steg betydeligt fra 2002 og nåede et lokalt maksimum i 2005. 

Faldet varede indtil 2011, hvor tallene begyndte at stige støt, og denne stigende tendens fortsætter stadig. De sidste fem år har haft de højeste forekomster af skovbrande. I 2023 var der 98.639 skovbrande i Amazonas.

Amazonas regnskov udgør også en betydelig del (over halvdelen) af skovbrande i de brasilianske biomer.

Udover Amazonas omfatter andre økosystemer i Brasilien Cerrado, som udgjorde 26,70 % af alle skovbrande, samt Caatinga, Atlanterhavsskov, Pantanal og Pampas, hvor de sidste to var mindst påvirket af skovbrande i 2023.

Hvert af disse økosystemer har sin unikke artsdiversitet og karakteristika. Disse biomer er afgørende for at afbøde klimaændringer, fungere som kulstofdræn og beskytte truede arter. Dog forårsager skovbrande betydelig skade på alle disse økosystemer. 

Geografisk set er den højeste koncentration af skovbrande i delstaten Amazonas fundet i kommunerne Lábrea, Apuí og Novo Aripuanã, som registrerede det højeste antal hændelser.

Skovbrande er ekstremt skadelige og har ødelæggende konsekvenser på flere fronter. 

For det første ødelægger de vegetation, hvilket kan føre til en irreversibel udryddelse af indfødte arter. Nogle af disse planter har unikke medicinske egenskaber og findes kun i Amazonas regionen.

Skovbrande kompromitterer også jordens frugtbarhed, gør den barrens og hindrer den naturlige genopretning af de berørte områder. Desuden har afskovning i Amazonas forårsaget af skovbrande øget vandafstrømning, hvilket har hævet flodniveauerne. Dette skyldes reduktionen af vegetationens dække, som negativt påvirker vandindtrængning i jorden og reducerer evapotranspirationsraterne.

Derefter er tabet af fauna og flora, som er lige så alarmerende. forårsager ødelæggelsen af vitale levesteder, hvilket fører til betydelige ubalancer i den lokale fødekæde. 

De intense CO2-udledninger til atmosfæren forværrer også drivhuseffekten og den globale opvarmning. Dette intensiverer de globale klimautfordringer og gør store brande endnu hyppigere i Amazonas regnskov.

Udnyttelse af dyb læring til automatiseret branddetektion

For at løse problemet anvendte undersøgelsen en ny teknologi, Convolutional Neural Network (CNN), til at klassificere skovbrande i regionen. 

CNN er en specialiseret undergruppe optimeret til billedanalyse og visuel mønstergenkendelse, som er blevet et kraftfuldt værktøj inden for computer vision. 

For eksempel blev CNN-modellen brugt til at klassificere og diagnosticere COVID-19. Derudover har den blivet brugt til at opdage lungebetændelse ved hjælp af røntgenbilleder af brystet, intelligent affaldsidentifikation og genbrug, analysere kollisioner i højenergifysik og celletyper i stamcellebilleder.

Den bruges også til ændringsdetektion af skovrydning i den brasilianske Amazonas ved brug af Landsat-data, branddetektion og røgdetektion fra skovbrande for ubemandede luftfartøjs (UAV) billeder.

CNN udnytter dyb læring, en undergruppe af kunstig intelligens (AI) og maskinlæring, der anvender algoritmer, som bliver bedre over tid, efterhånden som de udsættes for nye og stigende data.

Til denne undersøgelse udnyttede forskerne algoritmen Artificial Neural Networks (ANN), som efterligner den måde, den menneskelige hjerne fungerer på, og gør det muligt for beregningsmodeller at skelne komplekse mønstre og håndtere udfordringer, der kan være uden for menneskelig forståelse. 

Den stabler flere lag sekventielt for at lette vidensassimilation og arbejde med omfattende datasæt under træningsprocessen. 

Denne teknologiske synergi anvender statistiske procedurer til at hjælpe maskiner med at udføre opgaver som at identificere skovbrande gennem erfaringsbaseret læring. 

Ved at udnytte det store potentiale i dyb læringsteknikker tilbyder netværket en kraftfuld løsning til automatiseret detektion af skovbrande. Den automatiserede identifikation muliggør en rettidig respons for at afbøde de ødelæggende virkninger af skovbrande. 

I den seneste undersøgelse udvidede forskerne neurale netværksrammen til at fokusere på CNN, specifikt anvendt gennem Python-bibliotekerne TensorFlow og Keras, en modeltype der er bredt anvendt i computer vision-applikationer til at udtrække funktioner fra billeder. 

Målet har været at anvende CNN til at opdage skovbrande i Amazonas regionen ved brug af Landsat 8 og Landsat 9 satellitbilleder.

Klik her for at lære, hvordan varmeaktiverbare biomimetiske hydrogeler tackler skovbrande

Avanceret og lokaliseret tilgang til branddetektion

Teamet brugte billeder fra Landsat 8 og Landsat 9 satellitter til at træne modellen. 

Disse satellitter er udstyret med avancerede instrumenter til at indfange billeder på tværs af forskellige spektrebånd, som er nødvendige for detektion og klassificering af skovbrande. De multispektrale og termiske kapaciteter gør det muligt at identificere temperaturafvigelser og skelne mellem vegetationstyper og brændte områder. 

Begge disse satellitter har Operational Land Imager (OLI), som indfanger billeder i synlige, nær-infrarøde (NIR) og kortbølget infrarøde (SWIR) bånd, hvilket er kritisk for at opdage ændringer i vegetation.

Brændte områder viser lav reflektans i NIR, mens sund vegetation reflekteres stærkt. De kortbølget infrarøde (SWIR) bånd hjælper derimod med at opdage fugt i jord og vegetation for at identificere brandpåvirkede områder.

Begge satellitter har også Thermal Infrared Sensor (TIRS), som opererer i to termiske infrarøde bånd og leverer værdifulde data om varmekilder og overfladetemperatur. TIRS har en rumlig opløsning på 100 meter, mens OLI-båndene har en rumlig opløsning på 30 meter. Som sådan er de mest relevante for brandovervågning og muliggør mere detaljeret kortlægning af vegetationens sundhed. 

Teamet trænede CNN ved hjælp af et datasæt på 200 nylige billeder indhentet fra EarthExplorer, som viste skovbrande i Amazonas regnskov. Et lige så stort antal billeder uden skovbrande blev også brugt for at sikre en balanceret læringsmetode. 

Datasættet, selvom det var lille, var tilstrækkeligt til at CNN kunne opnå 93 % nøjagtighed i træningsfasen. Når det blev testet på 40 billeder, der ikke var inkluderet i træningen, var modellen i stand til nøjagtigt at klassificere 23 af de 24 billeder med skovbrande og alle de 16 billeder uden skovbrande.

Dette meget tilfredsstillende præstationsniveau demonstrerer modellens robusthed og generaliseringsevne.

Denne tilgang, siger teamet, viser et stort potentiale for branddetektion og kan bruges som supplement til veletablerede stor-skala overvågningssystemer som Moderate Resolution Imaging Spectroradiometer (MODIS) og Visible Infrared Imaging Radiometer Suite (VIIRS), som er bredt anvendt i Brasilien til bred, kontinuerlig branddetektion.

Som et ekstra værktøj kan CNN bruges sammen med MODIS og VIIRS for at forbedre tidlige varslingssystemer og forbedre brandresponsstrategier.

Metodologien, bemærkede forskerne yderligere, går ud over det amazonske økosystem med potentialet til at blive brugt i andre områder af verden. Den kan faktisk hjælpe kompetente myndigheder med at bekæmpe og håndtere sådanne hændelser, “ved at levere en avanceret og mere lokaliseret tilgang til branddetektion,” sagde undersøgelsen.

CNN kunne også undersøges i overvågning og kontrol af skovrydning, foreslog forskerne. Deres næste skridt er at øge antallet af træningsbilleder for at have “en mere robust model”.

Klik her for at lære, hvordan AI & voksende hændelsesdatabase kan hjælpe med at mindske risikoen for skovbrande.

Innovativ virksomhed

Palantir Technologies Inc. (PLTR )

Med sine AI-drevne geospatiale analyser og katastrofe-responsløsninger repræsenterer Palatir en stærk aktør inden for miljøovervågning og branddetektion.

Grundlagt i 2003 af Alex Karp, Peter Thiel, Stephen Cohen og Joe Lonsdale, er Palantir en softwareleverandør gennem Gotham, Foundry, Apollo og AIP (Artificial Intelligence Platform). Med en markedsværdi på 186,6 milliarder dollars handles Palantir-aktier i øjeblikket til 81,25 dollars, op 5,28 % år‑til‑dato. Den har en EPS (TTM) på 0,19 og en P/E (TTM) på 421,05.

I begyndelsen af februar annoncerede virksomheden annoncerede sine Q4 2024 finansielle resultater, rapporterende 828 millioner dollars i omsætning, hvilket voksede 36 % år‑til‑år og 14 % kvartal‑til‑kvartal. Antallet af kunder steg også 43 % år‑til‑år og 13 % kvartal‑til‑kvartal.

Palantirs amerikanske omsætning var 558 millioner dollars, en stigning på 52 % år‑til‑år og 12 % kvartal‑til‑kvartal, med den amerikanske kommercielle omsætning på 214 millioner dollars, hvilket voksede mere end den amerikanske regerings omsætning på 343 millioner dollars.

I denne periode afsluttede virksomheden 32 aftaler på mindst 10 millioner dollars, 58 aftaler på mindst 5 millioner dollars og 129 aftaler på mindst 1 million dollars. Den afsluttede også en rekord på 803 millioner dollars i amerikansk kommerciel samlet kontraktværdi (“TCV”), mens den resterende amerikanske kommercielle aftaleværdi (“RDV”) var 1,79 milliarder dollars.

Palantir rapporterede 460 millioner dollars i kontanter fra driften og 79 millioner dollars i GAAP nettoindkomst, mens GAAP indtjening pr. aktie var 0,03 dollars og justeret EPS var 0,14 dollars. Virksomheden afsluttede året med 5,2 milliarder dollars i kontanter, kontantekvivalenter og kortfristede amerikanske statsobligationer.

For hele 2024 havde Palantir 2,87 milliarder dollars i omsætning, 1,90 milliarder dollars i amerikansk omsætning og 1,15 milliarder dollars i kontanter fra driften. Nu forventer virksomheden for Q1 2025 en omsætning mellem 858 og 862 millioner dollars og justeret fri pengestrøm for hele 2025 på mellem 1,5 og 1,7 milliarder dollars.

“Vores forretningsresultater fortsætter med at overraske, hvilket demonstrerer vores dybere position i centrum af AI-revolutionen. Vores tidlige indsigter omkring kommercialiseringen af store sprogmodeller er gået fra teori til fakta.”

– CEO Karp

Når det kommer til de seneste udviklinger, annoncerede Palantir tidligere denne måned udrulningen af sine første to AI-aktiverede systemer til den amerikanske hær. Palantir USG CTO Akash Jain kaldte dette et “leapfrog moment” for den amerikanske hær. Virksomheden vandt den 178 millioner dollars kontrakt for et år siden, og slog forsvarsgiganten RTX Corporation (RTX ) , for at markere en vigtig milepæl for Palantir, som er kendt for sine dataanalyse-tjenester.

Aftalen er for 10 Targeting Access Node-systemer (TITAN), som bruger AI til at indsamle data fra rumsensorer for at hjælpe soldater med at opnå bedre måludpegning og nøjagtighed. Som en mobil jordstation hjælper disse systemer med at fremme soldaters krigsstrategi. Palantir samarbejdede med L3Harris (LHX ), Northrop Grumman (NOC ), og Anduril Industries for at udvikle nogle af kapabiliteterne.

I denne uge delte Palantir en liste over nye kunder, der deltog i deres AI‑event, som afslørede Walgreens , Heineken, Ripcord og RaceTrac, blandt andre, som deres seneste kunder.

Den indgik også et partnerskab med Archer Aviation (ACHR ) for at bygge AI‑fundamentet for fremtidens næste generations luftfartsteknologier og hjælpe med at skalere deres flyproduktionskapacitet. Planen er at udnytte AIP og Foundry til at udvikle software ved hjælp af AI for at fremme luftfartssystemer som lufttrafikstyring, ruteplanlægning og bevægelseskontrol.

“Palantirs partnerskab med Archer redefinerer fremtiden for flyvning, hvilket gør den ikke kun mere effektiv, men også mere tilgængelig,” sagde Karp og tilføjede, at denne integration sætter “scenen for et transformerende spring i effektivitet, sikkerhed og bæredygtighed”.

Seneste om Palantir Technologies Inc.

Konklusion

Amazon (AMZN ), med sin rige biodiversitet og omfattende ressourcer, bidrager til det globale økonomiske landskab. Så er bevaring og bæredygtig forvaltning af disse områder ikke kun gavnlig for Brasilien, men også kritisk for hele planetens sundhed.

Amazonas regnskoven står dog over for truslen fra skovbrande, hvilket udgør en alvorlig udfordring for dens stabilitet. Dette betyder, at regionens fremtid afhænger af beslutsom, hurtig handling. 

Her repræsenterer den dyb‑læringsbaserede branddetektionsmodel en stor gennembrud i håndteringen af denne krise. Ved at opnå en nøjagtighed på 93 % giver modellen et kraftfuldt værktøj til tidlig opdagelse og hurtig respons på skovbrande, hvilket kan hjælpe med at forhindre katastrofale miljøskader og hjælpe med at opretholde den langsigtede sundhed og stabilitet i Amazonas regnskov.