Dyp læring øker nøyaktigheten for oppdagelse av skogbranner i Amazonas til 93%

Forskningsgruppen ved Universidade Federal do Amazonas har utviklet en kunstig nevralt nettverk (ANN)-modell som bruker satellittbilder og dype læringsteknikker for å oppdage skogbranner i Amazonas-regnskogen med høy suksessrate.

«Evnen til å oppdage og reagere på skogbranner er avgjørende for å bevare den delikate økologiske balansen i disse vitale økosystemene, og fremtiden for dette Amazonas-området avhenger av besluttsom og rask handling.»

– Hovedforfatter professor Cíntia Eleutério fra Universidade Federal do Amazonas

Selv om overvåkingen i Amazonas i dag fortsatt leveres med sanntidsdata, har den moderate oppløsninger, og evnen til å oppdage detaljer i mindre brannutbrudd eller avsidesliggende områder er begrenset.

Dermed representerer modellen en kraftig løsning for automatisk å oppdage skogbranner, og reduserer betydelig tiden som trengs for å dempe deres ødeleggende virkninger.

Publisert i den International Journal of Remote Sensing, rapporterer studiens funn en suksessrate på opptil 93% ved trening av modellen på bilder av Amazonas-regnskogen med og uten skogbranner. Ifølge medforfatter professor Carlos Mendes:

«CNN-modellen kan fungere som et verdifullt tillegg, som gjør det mulig med mer detaljerte analyser i spesifikke regioner. Ved å kombinere den brede tidsmessige dekningen til de nåværende sensorene med den romlige presisjonen til vår modell, kan vi betydelig forbedre overvåkingen av skogbranner i kritiske miljøvernsoner.»

Studien bemerket at integreringen av satellittbilder og AI gir en proaktiv tilnærming til å håndtere de økende utfordringene som skogbranner medfører, samtidig som den bidrar til feltet fjernmåling og dyp læring.

Teknologien gir spesielt potensialet til å forbedre tidlige varslingssystemer og forbedre strategier for respons på skogbranner, og hjelper med å bevare kritiske økosystemer som Amazonas. Integrering i eksisterende overvåkingssystemer kan lett ta 1 til 3 år, avhengig av ytterligere validering og utrullingsinnsats. Men la oss se nærmere på fremskrittene den nye teknologien tilbyr verden.

Jordens lunger står overfor en alvorlig trussel

Amazon (AMZN ) -regnskogen er en globalt betydningsfull ressurs, som inneholder flere millioner arter av fugler, insekter, planter og andre livsformer. Den er verdens rikeste og mest varierte biologiske reservoar.

Folk over hele verden er avhengige av denne regnskogen, ikke bare for mat, vann, trevirke og medisiner, men også for å bidra til å stabilisere klimaet med massive 150–200 milliarder tonn karbon lagret i den.

Amazon-regnskogen har en sterk sosiokulturell, miljømessig og økonomisk innflytelse på Brasil, og utgjør omtrent 40 % av landets totale areal. I tillegg til Brasil strekker regnskogen seg over åtte andre søramerikanske land.

Gitt dens sentrale rolle i bevaring av biologisk mangfold og global klimaregulering, er Amazon-regnskogen av stor økologisk betydning.

Imidlertid står den overfor en økende krise i form av omfattende avskoging, ikke-bærekraftige arealbrukspraksiser og den nært forestående trusselen fra skogbranner.

I løpet av de siste femti årene har temperaturøkningen ført til intensivering av tørke i regionen. Ting vil bare eskalere videre, med de fleste modeller som forutsier en økning i intensiteten av den tørre sesongen i Amazonas-regnskogen i det 21. århundre. 

Denne eskaleringen skyldes strålingskrefter og redusert produksjon av aerosol, som forårsaker unormale variasjoner i havoverflatetemperaturer (SST), noe som fører til svingninger i nedbørsmengden over Amazonas-regionen.

Hvis denne nye klimakonfigurasjonen bekreftes, bemerket studien, kan regnskogen bli et forsterket system som er utsatt for skogbranner. Dette eksponerer Jordens lunger for en økende trussel på grunn av det økende antallet skogbranner. 

De miljømessige konsekvensene av disse brannene er heller ikke begrenset til de regionale grensene; de påvirker globale klimamønstre og biologisk mangfold. Dette gjør det avgjørende å oppdage og reagere på skogbranner i Amazonas. 

For å overvåke og håndtere denne miljøkrisen har fjernmåling gjennom satellittbilder blitt et viktig verktøy for å bevare den delikate økologiske balansen i dette vitale økosystemet.

Klikk her for å lære hvorfor brannsikkerhet er viktigere enn noen gang.

Den alvorlige virkningen av intensiverende skogbranner

Basert på data fra National Institute for Space Research (INPE) på TerraBrasilis-nettplattformen, var skogbrannene mellom januar og juni lave fra 1999 til 2023. Antallet hendelser økte imidlertid betydelig mellom juli og november før det falt i desember.

Antallet skogbrannhendelser var lavt gjennom hele året mellom 1999 og 2001. Skogbrannintensiteten økte betydelig fra 2002, og nådde et lokalt maksimum i 2005. 

Nedgangen varte til 2011, da tallene begynte å øke jevnt, og denne stigende trenden pågår fortsatt. De siste fem årene har hatt de høyeste forekomstene av skogbranner. I 2023 var det 98 639 skogbranner i Amazonas.

Amazon-regnskogen står også for en betydelig del (over halvparten) av skogbrannene i de brasilianske biomene.

I tillegg til Amazonas inkluderer andre økosystemer i Brasil Cerrado, som stod for 26,70 % av alle skogbranner, samt Caatinga, Atlanterhavskogen, Pantanal og Pampas, hvor de to siste var minst påvirket av skogbranner i 2023.

Hvert av disse økosystemene har sin unike artsmangfold og karakteristikker. Disse biomene er essensielle for å dempe klimaendringer, fungerer som karbonlagre og beskytter truede arter. Imidlertid forårsaker skogbranner betydelig skade på alle disse økosystemene. 

Stedsmessig er den høyeste konsentrasjonen av skogbranner i delstaten Amazonasfunnet i kommunene Lábrea, Apuí og Novo Aripuanã, som registrerte det høyeste antallet hendelser.

Skogbranner er ekstremt skadelige og har ødeleggende konsekvenser på flere fronter. 

For det første ødelegger de vegetasjon, noe som kan føre til en irreversibel utryddelse av innfødte arter. Noe av denne vegetasjonen har unike medisinske egenskaper og finnes kun i Amazonas-regionen.

Skogbranner svekker også jordens fruktbarhet, gjør den ufruktbar og hindrer den naturlige gjenopprettingen av berørte områder. Videre har avskogingen i Amazonas forårsaket av skogbrannene økt vannavrenning, noe som har hevet elvenivåene. Dette skyldes reduksjonen av vegetasjonsdekke, som negativt påvirker vanninfiltrasjon i jorden og reduserer evapotranspirasjonsraten.

Deretter er tapet av fauna og flora, som er like alarmerende. forårsaker ødeleggelse av vitale habitater, noe som fører til betydelige ubalanser i den lokale næringskjeden. 

De intense CO₂-utslippene til atmosfæren forverrer også drivhuseffekten og den globale oppvarmingen. Dette intensiverer de globale klimautfordringene og gjør store branner enda hyppigere i Amazonas-regnskogen.

Utnyttelse av dyp læring for automatisert oppdagelse av skogbranner

For å takle problemet benyttet studien en ny teknologi, Convolutional Neural Network (CNN), for å klassifisere skogbranner i regionen. 

CNN er en spesialisert undergruppe optimalisert for bildeanalyse og visuell mønstergjenkjenning, og har blitt et kraftig verktøy innen datamaskinsyn. 

For eksempel ble CNN-modellen brukt til å klassifisere og diagnostisere COVID-19. I tillegg har den blitt brukt til å oppdage lungebetennelse ved hjelp av røntgenbilder av brystet, intelligent avfallsidentifikasjon og resirkulering, analysere kollisjoner i høyenergifysikk, og identifisere celletype i stamcellebilder.

Den brukes også til endringsdeteksjon av avskoging i den brasilianske Amazonas ved bruk av Landsat-data, oppdagelse av skogbranner, og deteksjon av skogbrannrøyk for bilder fra ubemannede luftfartøy (UAV).

CNN utnytter dyp læring, en undergruppe av kunstig intelligens (AI) og maskinlæring som bruker algoritmer som blir bedre over tid etter hvert som de eksponeres for nye og økende data.

For denne studien utnyttet forskerne algoritmen Artificial Neural Networks (ANN), som etterligner hvordan den menneskelige hjernen fungerer og gjør det mulig for beregningsmodeller å oppdage intrikate mønstre og takle utfordringer som kan være utenfor menneskelig forståelse. 

Den stabler flere lag sekvensielt for å lette kunnskapsassimilering og arbeide med omfattende datasett under treningsprosessen. 

Denne teknologiske synergien bruker statistiske prosedyrer for å hjelpe maskiner med å utføre oppgaver som å identifisere skogbranner gjennom erfaringsbasert læring. 

Ved å utnytte det store potensialet i dype læringsteknikker, tilbyr nettverket en kraftig løsning for automatisert oppdagelse av skogbranner. Den automatiserte identifikasjonen gjør det mulig med en tidsriktig respons for å dempe de ødeleggende effektene av skogbranner. 

I den nyeste studien utvidet forskerne nevrale nettverksrammeverket for å fokusere på CNN, spesifikt brukt gjennom Python-bibliotekene TensorFlow og Keras, en modelltype som er mye brukt i datamaskinsyn-applikasjoner for å trekke ut funksjoner fra bilder. 

Målet har vært å bruke CNN for å oppdage skogbranner i Amazonas-regionen ved bruk av satellittbilder fra Landsat 8 og Landsat 9.

Klikk her for å lære hvordan varmeaktiverbare biomimetiske hydrogel takler skogbranner

Avansert og lokalisert tilnærming til oppdagelse av skogbranner

Teamet brukte bilder hentet fra Landsat 8 og Landsat 9-satellittene for å trene modellen. 

Disse satellittene er utstyrt med avanserte instrumenter for å fange bilder over ulike spektralbånd, som er nødvendige for oppdagelse og klassifisering av skogbranner. De multispektrale og termiske egenskapene til disse satellittene gjør det mulig å identifisere temperaturavvik og skille mellom vegetasjonstyper og brente områder. 

Begge disse satellittene har Operational Land Imager (OLI), som fanger bilder i synlige, nær-infrarøde (NIR) og kortbølges infrarøde (SWIR) bånd, som er kritisk for å oppdage endringer i vegetasjon.

Brente områder viser lav refleksjon i NIR, mens sunn vegetasjon reflekteres sterkt. De kortbølges infrarøde (SWIR) båndene hjelper derimot med å oppdage fuktighet i jord og vegetasjon for identifisering av brannpåvirkede områder.

Begge satellittene har også Thermal Infrared Sensor (TIRS), som opererer i to termiske infrarøde bånd og gir verdifulle data om varmekilder og overflatetemperatur. TIRS tilbyr en romlig oppløsning på 100 meter, mens OLI-båndene har en romlig oppløsning på 30 meter. Som sådan er de mest relevante for overvåking av skogbranner og gjør det mulig med mer detaljert kartlegging av vegetasjonshelse. 

Teamet trente CNN ved hjelp av et datasett med 200 nylige bilder hentet fra EarthExplorer, som viste skogbranner i Amazonas-regnskogen. Et likt antall bilder uten skogbranner ble også brukt for å sikre en balansert læringsmetode. 

Datasettet, selv om det var lite, var tilstrekkelig for at CNN skulle oppnå 93 % nøyaktighet i treningsfasen. Når det ble testet på 40 bilder som ikke var inkludert i treningen, klarte modellen å korrekt klassifisere 23 av de 24 bildene med skogbranner og alle de 16 bildene uten skogbranner.

Dette svært tilfredsstillende ytelsesnivået demonstrerer modellens robusthet og generaliseringsevne.

Denne tilnærmingen, ifølge teamet, viser stort potensial for oppdagelse av skogbranner og kan brukes som supplement til veletablerte storskalige overvåkingssystemer som Moderate Resolution Imaging Spectroradiometer (MODIS) og Visible Infrared Imaging Radiometer Suite (VIIRS), som er mye brukt i Brasil for bred, kontinuerlig brannoppdagelse.

Som et tillegg kan CNN brukes sammen med MODIS og VIIRS for å forbedre tidlige varslingssystemer og forbedre strategier for respons på skogbranner.

Metodikken, bemerket forskerne videre, går utover det amazonske økosystemet med potensial til å bli brukt i andre deler av verden. Den kan faktisk bistå kompetente myndigheter i å bekjempe og håndtere slike hendelser, «ved å tilby en avansert og mer lokalisert tilnærming til oppdagelse av skogbranner», sa studien.

CNN kunne også bli utforsket i overvåking og kontroll av avskoging, foreslo forskerne. Deres neste steg er å øke antallet treningsbilder for å ha «en mer robust modell».

Klikk her for å lære hvordan AI og voksende forekomstdatabase kan bidra til å redusere risikoen for skogbranner.

Innovativt selskap

Palantir Technologies Inc.

Med sine AI-drevne geospatiale analyser og katastrofe-responsløsninger representerer Palantir en sterk aktør innen miljøovervåking og oppdagelse av skogbranner.

Grunnlagt i 2003 av Alex Karp, Peter Thiel, Stephen Cohen og Joe Lonsdale, er Palantir en programvareleverandør gjennom Gotham, Foundry, Apollo og AIP (Artificial Intelligence Platform). Med en markedsverdi på 186,6 milliarder dollar, handles Palantir-aksjene for tiden til 81,25 $, opp 5,28 % år‑til‑dato. Selskapet har en EPS (TTM) på 0,19 og en P/E (TTM) på 421,05.

Tidlig i februar kunngjorde selskapet kunngjorde sine Q4 2024-finansresultater, og rapporterte 828 millioner dollar i inntekter, som økte med 36 % år‑til‑år og 14 % kvartal‑til‑kvartal. Antallet kunder økte også med 43 % år‑til‑år og 13 % kvartal‑til‑kvartal.

Palantirs amerikanske inntekter var 558 millioner dollar, en økning på 52 % år‑til‑år og 12 % kvartal‑til‑kvartal, med amerikanske kommersielle inntekter på 214 millioner dollar, som vokste mer enn de amerikanske offentlige inntektene på 343 millioner dollar.

I løpet av denne perioden avsluttet selskapet 32 avtaler på minst 10 millioner dollar, 58 avtaler på minst 5 millioner dollar, og 129 avtaler på minst 1 million dollar. Det avsluttet også en rekord på 803 millioner dollar i total kontraktsverdi for amerikansk kommersiell virksomhet («TCV») mens den gjenværende avtaleverdien for amerikansk kommersiell virksomhet («RDV») var 1,79 milliarder dollar.

Palantir rapporterte 460 millioner dollar i kontantstrøm fra driften og 79 millioner dollar i GAAP nettoinntekt, mens GAAP-resultat per aksje var 0,03 $ og justert EPS var 0,14 $. Selskapet avsluttet året med 5,2 milliarder dollar i kontanter, kontantekvivalenter og kortsiktige amerikanske statsobligasjoner.

For hele 2024 hadde Palantir 2,87 milliarder dollar i inntekter, 1,90 milliarder dollar i amerikanske inntekter, og 1,15 milliarder dollar i kontantstrøm fra driften. Nå forventer selskapet for Q1 2025 inntekter mellom 858 og 862 millioner dollar, og justert fri kontantstrøm for hele 2025 mellom 1,5 og 1,7 milliarder dollar.

«Våre forretningsresultater fortsetter å overraske, og demonstrerer vår stadig dypere posisjon i sentrum av AI-revolusjonen. Våre tidlige innsikter om kommersialiseringen av store språkmodeller har utviklet seg fra teori til fakta.»

– administrerende direktør Karp

Når det gjelder de siste utviklingene, kunngjorde Palantir tidligere denne måneden utrullingen av sine første to AI-aktiverte systemer til den amerikanske hæren. Palantir USG CTO Akash Jain kalte dette et «hopp‑over‑moment» for den amerikanske hæren. Selskapet vant kontrakten på 178 millioner dollar for ett år siden, og slo forsvarsgiganten RTX Corporation (RTX ) , som et viktig milepæl for Palantir, som er kjent for sine datanalyse‑tjenester.

Avtalen gjelder 10 Targeting Access Node-systemer (TITAN) som bruker AI for å samle data fra romsensorer for å hjelpe soldater med bedre målretting og presisjon. Som en mobil bakkestasjon hjelper disse systemene med å videreutvikle soldatenes krigstrategi. Palantir samarbeidet med L3Harris (LHX ), Northrop Grumman (NOC ), og Anduril Industries for å utvikle noen av funksjonene.

Denne uken delte Palantir en liste over nye kunder som deltok på sitt AI‑arrangement, som avslørte Walgreens , Heineken, Ripcord og RaceTrac, blant andre, som sine nyeste kunder.

Det inngikk også et partnerskap med Archer Aviation (ACHR ) for å bygge AI‑grunnlaget for fremtiden til neste generasjons luftfartsteknologier og hjelpe med å skalere deres flyproduksjonskapasiteter. Planen er å utnytte AIP og Foundry for å utvikle programvare ved hjelp av AI for å forbedre luftfartssystemer som lufttrafikkontroll, ruteplanlegging og bevegelseskontroll.

«Palantirs partnerskap med Archer redefinerer fremtiden for flyging, og gjør den ikke bare mer effektiv, men også mer tilgjengelig», sa Karp, og la til at denne integrasjonen setter «scenen for et transformativt sprang i effektivitet, sikkerhet og bærekraft».

Siste nytt om Palantir Technologies Inc.

Konklusjon

Amazon, med sitt rike biologiske mangfold og omfattende ressurser, bidrar til det globale økonomiske landskapet. Så er bevaring og bærekraftig forvaltning av disse områdene ikke bare gunstig for Brasil, men også avgjørende for hele planetens helse.

Amazon-regnskogen står imidlertid overfor trusselen fra skogbranner, som utgjør en alvorlig utfordring for dens stabilitet. Dette betyr at regionens fremtid avhenger av besluttsom, rask handling. 

Her representerer den dype‑læringsbaserte modellen for oppdagelse av skogbranner et stort gjennombrudd i håndteringen av denne krisen. Ved å oppnå en nøyaktighetsrate på 93 % gir modellen et kraftig verktøy for tidlig oppdagelse og rask respons på skogbranner, noe som kan bidra til å forhindre katastrofale miljøskader og hjelpe med å opprettholde den langsiktige helsen og stabiliteten til Amazonas-regnskogen.