Djupinlärning ökar noggrannheten för upptäckt av bränder i Amazonas till 93%

Forskningsgruppen vid Universidade Federal do Amazonas har utvecklat en artificiell neuronnätsmodell (ANN) som använder satellitbilder och djupinlärningstekniker för att upptäcka bränder i Amazonas regnskog med hög framgångsfrekvens.

“Förmågan att upptäcka och reagera på bränder är avgörande för att bevara den känsliga ekologiska balansen i dessa viktiga ekosystem, och framtiden för detta Amazonas‑område beror på beslutsamma snabba åtgärder.”

– Huvudförfattare professor Cíntia Eleutério från Universidade Federal do Amazonas

Även om övervakningen i Amazonas idag fortfarande levereras med realtidsdata har den måttliga upplösningar, och förmågan att upptäcka detaljer i mindre brandutbrott eller avlägsna områden är begränsad.

Modellen utgör därför en kraftfull lösning för automatisk upptäckt av bränder, vilket avsevärt minskar den tid som krävs för att mildra deras förödande effekter.

Publicerad i International Journal of Remote Sensing rapporterar studiens resultat en framgångsfrekvens på så mycket som 93 % när modellen tränades på bilder från Amazonas regnskog med och utan bränder. Enligt medförfattare professor Carlos Mendes:

“CNN‑modellen kan fungera som ett värdefullt tillskott som möjliggör mer detaljerade analyser i specifika regioner. Genom att kombinera den breda tidsmässiga täckningen hos de nuvarande sensorerna med vår modells rumsliga precision kan vi avsevärt förbättra brandövervakningen i kritiska områden för miljöbevarande.”

Studien noterade att integrationen av satellitbilder och AI erbjuder ett proaktivt tillvägagångssätt för att hantera de ökande utmaningarna som skogsbränder innebär, samtidigt som den bidrar till fältet fjärranalys och djupinlärning.

Tekniken erbjuder särskilt potentialen att förbättra tidiga varningssystem och förbättra strategier för brandrespons, vilket hjälper till att bevara kritiska ekosystem som Amazonas. Integration i befintliga övervakningssystem kan enkelt ta 1 till 3 år, beroende på ytterligare validering och implementeringsinsatser. Men låt oss titta närmare på de framsteg som den nya tekniken erbjuder världen.

Jordens lungor står inför ett allvarligt hot

Amazonas regnskog är en globalt betydelsefull tillgång som innehåller flera miljoner arter av fåglar, insekter, växter och andra livsformer. Den är världens rikaste och mest varierade biologiska reservoar.

Människor över hela världen är beroende av denna regnskog, inte bara för mat, vatten, trä och mediciner, utan också för att hjälpa till att stabilisera klimatet med de enorma 150–200 miljarder ton kol som lagras där.

Amazonas regnskog har ett starkt socio‑miljömässigt och ekonomiskt inflytande på Brasilien och utgör cirka 40 % av landets totala yta. Förutom Brasilien sträcker sig regnskogen över åtta andra sydamerikanska länder.

Med tanke på dess viktiga roll i bevarandet av biologisk mångfald och den globala klimatregleringen är Amazonas regnskog av stor ekologisk betydelse.

Den står dock inför en ökande kris i form av okontrollerad avskogning, ohållbara markanvändningsmetoder och det förestående hotet från skogsbränder.

Under de senaste femtio åren har temperaturökningen lett till en intensivering av torkperioder i regionen. Situationen kommer bara att förvärras ytterligare, med de flesta modeller som förutspår en ökning av intensiteten under den torra säsongen i Amazonas regnskog under 2000‑talet.

Denna eskalering beror på strålningskrafter och minskad aerosolproduktion, vilket orsakar onormala variationer i havsytans temperaturer (SST) och leder till fluktuationer i nederbörden över Amazonas region.

Om denna nya klimatkonfiguration bekräftas, noterade studien, kan regnskogen bli ett förstärkt system som är benäget för skogsbränder. Detta utsätter jordens lungor för ett växande hot på grund av det ökande antalet bränder.

De miljömässiga följderna av dessa bränder är inte heller begränsade till de regionala gränserna; de påverkar globala klimatmönster och den biologiska mångfalden. Detta gör det avgörande att upptäcka och reagera på bränder i Amazonas.

För att övervaka och hantera denna miljökris har fjärranalys via satellitbilder blivit ett viktigt verktyg för att bevara den känsliga ekologiska balansen i detta viktiga ekosystem.

Klicka här för att lära dig varför brandsäkerhet är viktigare än någonsin.

Den allvarliga effekten av intensifierande skogsbränder

Baserat på data från National Institute for Space Research (INPE) på webbplattformen TerraBrasilis var skogsbränderna mellan januari och juni låga från 1999 till 2023. Antalet incidenter ökade dock avsevärt mellan juli och november innan det minskade i december.

Antalet brandincidenter var lågt under hela året mellan 1999 och 2001. Brandintensiteten ökade markant från 2002 och nådde ett lokalt maximum år 2005.

Minskningen varade till 2011 då siffrorna började öka stadigt, och denna uppåtgående trend pågår fortfarande. De senaste fem åren har haft de högsta antalen bränder. År 2023 fanns det 98 639 bränder i Amazonas.

Amazonas regnskog står också för en betydande del (över hälften) av bränderna i de brasilianska biomerna.

Förutom Amazonas omfattar Brasiliens andra ekosystem Cerrado, som stod för 26,70 % av alla bränder, samt Caatinga, Atlantiska skogen, Pantanal och Pampas, där de två sista var de minst drabbade av bränder år 2023.

Var och en av dessa ekosystem har sin unika artdiversitet och sina egenskaper. Dessa biomer är avgörande för att motverka klimatförändringar, fungera som kolsänkor och skydda hotade arter. Dock orsakar skogsbränder betydande skador på alla dessa ekosystem.

Geografiskt sett är den högsta koncentrationen av bränder i delstaten Amazonas i kommunerna Lábrea, Apuí och Novo Aripuanã, som registrerade det högsta antalet incidenter.

Skogsbränder är extremt skadliga och har förödande konsekvenser på flera fronter.

Till att börja med förstör de växtlighet, vilket kan leda till en irreversibel utdöende av inhemska arter. En del av denna växtlighet har unika medicinska egenskaper och finns endast i Amazonas region.

Skogsbränder komprometterar också jordens bördighet, gör den karg och hindrar den naturliga återhämtningen av drabbade områden. Dessutom har avskogning i Amazonas som orsakas av bränderna ökat vattenavrinning, vilket har höjt flodnivåerna. Detta beror på minskad växttäckning, vilket negativt påverkar vatteninfiltrationen i marken och minskar evapotranspirationsnivåerna.

Sedan finns förlusten av fauna och flora, vilket är lika alarmerande. Skogsbränder orsakar förstörelse av viktiga livsmiljöer, vilket leder till betydande obalanser i den lokala näringskedjan.

De intensiva CO₂-utsläppen i atmosfären förvärrar också växthuseffekten och den globala uppvärmningen. Detta intensifierar de globala klimatutmaningarna och gör stora bränder ännu vanligare i Amazonas regnskog.

Utnyttja djupinlärning för automatiserad branddetektering

För att lösa problemet använde studien en ny teknik, Convolutional Neural Network (CNN), för att klassificera bränder i regionen.

CNN är en specialiserad delmängd optimerad för bildanalys och visuell mönsterigenkänning, vilket har blivit ett kraftfullt verktyg inom datorseende.

Till exempel har CNN‑modellen använts för att klassificera och diagnostisera COVID‑19. Dessutom har den använts för att upptäcka lunginflammation med hjälp av bröst‑röntgenbilder, intelligent avfallsidentifiering och återvinning, analysera kollisioner inom högenergifysik och identifiera celltyper i stamcellbilder.

Den används också för förändringsdetektering av avskogning i den brasilianska Amazonas med Landsat‑data, branddetektering och rökdetektering från skogsbränder för obemannade luftfartyg (UAV)‑bilder.

CNN utnyttjar djupinlärning, en delmängd av artificiell intelligens (AI) och maskininlärning som använder algoritmer som blir bättre över tid när de exponeras för ny och ökande data.

För denna studie utnyttjade forskarna algoritmen Artificial Neural Networks (ANN), som efterliknar hur den mänskliga hjärnan fungerar och gör det möjligt för beräkningsmodeller att urskilja komplexa mönster och hantera utmaningar som kan ligga bortom mänsklig förståelse.

Den staplar flera lager sekventiellt för att underlätta kunskapsassimilation och kunna arbeta med omfattande datamängder under träningsprocessen.

Denna teknologiska synergier använder statistiska metoder för att hjälpa maskiner att utföra uppgifter som att identifiera bränder genom erfarenhetsbaserat lärande.

Genom att utnyttja den stora potentialen i djupinlärningstekniker erbjuder nätverket en kraftfull lösning för automatiserad branddetektering. Den automatiska identifieringen möjliggör ett snabbt svar för att mildra de förödande effekterna av bränder.

I den senaste studien utökade forskarna det neurala nätverksramverket för att fokusera på CNN, specifikt använt via Python‑biblioteken TensorFlow och Keras, en modelltyp som är allmänt använd i datorseendeapplikationer för att extrahera funktioner från bilder.

Målet har varit att använda CNN för att upptäcka bränder i Amazonas region med hjälp av satellitbilder från Landsat 8 och Landsat 9.

Klicka här för att lära dig hur värmeaktiverbara biomimetiska hydrogeler bekämpar bränder

Avancerat och lokalt tillvägagångssätt för branddetektering

Teamet använde bilder från Landsat 8 och Landsat 9‑satelliterna för att träna modellen.

Dessa satelliter är utrustade med avancerade instrument för att fånga bilder över olika spektrala band, vilket är nödvändigt för upptäckt och klassificering av bränder. De multispektrala och termiska kapaciteterna hos dessa satelliter möjliggör identifiering av temperaturavvikelser och differentiering mellan växttyper och brända områden.

Båda dessa satelliter har Operational Land Imager (OLI), som fångar bilder i synliga, nära‑infraröda (NIR) och kortvågs‑infraröda (SWIR) band, vilket är kritiskt för att upptäcka förändringar i växtligheten.

Brända områden visar låg reflektion i NIR, medan frisk växtlighet reflekteras starkt. De kortvågs‑infraröda (SWIR) banden hjälper samtidigt till att upptäcka fukt i jord och växtlighet för att identifiera brandpåverkade regioner.

Båda satelliterna har också Thermal Infrared Sensor (TIRS), som arbetar i två termiska infraröda band och ger värdefull data om värmekällor och yttemperatur. TIRS har en rumslig upplösning på 100 meter, medan OLI‑banden har en rumslig upplösning på 30 meter. Därför är de mest relevanta för brandövervakning och möjliggör mer detaljerad kartläggning av växtlighetens hälsa.

Teamet tränade CNN med en dataset bestående av 200 nyligen insamlade bilder från EarthExplorer som visade bränder i Amazonas regnskog. Ett lika stort antal bilder utan bränder användes också för att säkerställa ett balanserat inlärningsförhållande.

Datasetet, även om det var litet, var tillräckligt för att CNN skulle uppnå 93 % noggrannhet under träningsfasen. När det testades på 40 bilder som inte ingick i träningsmaterialet kunde modellen korrekt klassificera 23 av de 24 bilderna med bränder och alla 16 bilderna utan bränder.

Denna mycket tillfredsställande prestanda visar modellens robusthet och generaliseringsförmåga.

Denna metod, enligt teamet, visar stor potential för branddetektering och kan användas som komplement till väl etablerade storskaliga övervakningssystem som Moderate Resolution Imaging Spectroradiometer (MODIS) och Visible Infrared Imaging Radiometer Suite (VIIRS), som är allmänt använda i Brasilien för bred och kontinuerlig branddetektion.

Som ett ytterligare verktyg kan CNN användas tillsammans med MODIS och VIIRS för att förbättra tidiga varningssystem och förbättra strategier för brandrespons.

Metodiken, noterade forskarna ytterligare, sträcker sig bortom Amazonas ekosystem med potential att användas i andra delar av världen. Den kan faktiskt hjälpa behöriga myndigheter att bekämpa och hantera sådana incidenter, ”genom att erbjuda ett avancerat och mer lokalt tillvägagångssätt för branddetektering”, enligt studien.

Forskarnas förslag är att CNN även kan utforskas för övervakning och kontroll av avskogning. Deras nästa steg är att öka antalet träningsbilder för att få ”en mer robust modell.”

Klicka här för att lära dig hur AI och en växande förekomstdatabas kan hjälpa till att minska risken för bränder.

Innovativt företag

Palantir Technologies Inc. (PLTR )

Med sina AI‑drivna geospatiala analyser och lösningar för katastrofrespons representerar Palatir en stark aktör inom miljöövervakning och branddetektering.

Grundat 2003 av Alex Karp, Peter Thiel, Stephen Cohen och Joe Lonsdale är Palantir en mjukvaruleverantör via Gotham, Foundry, Apollo och AIP (Artificial Intelligence Platform). Med ett marknadsvärde på 186,6 miljarder dollar handlas Palantir‑aktier för närvarande till 81,25 $, upp 5,28 % år‑till‑dag. Företaget har en EPS (TTM) på 0,19 och ett P/E‑tal (TTM) på 421,05.

I början av februari meddelade företaget sina finansiella resultat för Q4 2024, med en omsättning på 828 miljoner dollar, vilket ökade med 36 % år‑till‑år och 14 % kvartal‑till‑kvartal. Antalet kunder ökade också med 43 % år‑till‑år och 13 % kvartal‑till‑kvartal.

Palantirs amerikanska intäkter var 558 miljoner dollar, en ökning med 52 % år‑till‑år och 12 % kvartal‑till‑kvartal, med den amerikanska kommersiella intäkten på 214 miljoner dollar, vilket växer mer än den amerikanska statliga intäkten på 343 miljoner dollar.

Under denna period avslutade företaget 32 avtal på minst 10 miljoner dollar, 58 avtal på minst 5 miljoner dollar och 129 avtal på minst 1 miljon dollar. Det avslutade också ett rekord på 803 miljoner dollar i total kontraktsvärde för amerikansk kommersiell verksamhet (“TCV”) medan det återstående affärsvärdet för amerikansk kommersiell verksamhet (“RDV”) var 1,79 miljarder dollar.

Palantir rapporterade 460 miljoner dollar i kassaflöde från verksamheten och 79 miljoner dollar i GAAP‑nettoresultat, medan GAAP‑vinst per aktie var 0,03 $ och justerad EPS var 0,14 $. Företaget avslutade året med 5,2 miljarder dollar i kontanter, likvida medel och kortfristiga amerikanska statsobligationer.

För hela 2024 hade Palantir 2,87 miljarder dollar i intäkter, 1,90 miljarder dollar i amerikanska intäkter och 1,15 miljarder dollar i kassaflöde från verksamheten. Nu för Q1 2025 förväntar sig företaget intäkter mellan 858 och 862 miljoner dollar och justerat fritt kassaflöde för helåret 2025 mellan 1,5 och 1,7 miljarder dollar.

“Våra affärsresultat fortsätter att förvåna, vilket visar vår fördjupade position i centrum av AI‑revolutionen. Våra tidiga insikter kring kommersialiseringen av stora språkmodeller har utvecklats från teori till fakta.”

– VD Karp

När det gäller de senaste utvecklingarna meddelade Palantir tidigare denna månad lanseringen av sina två första AI‑aktiverade system till den amerikanska armén. Palantir USG CTO Akash Jain kallade detta ett ”leapfrog‑moment” för den amerikanska armén. Företaget vann kontraktet på 178 miljoner dollar för ett år sedan, och slog försvarsjätten RTX Corporation (RTX ), vilket markerade en viktig milstolpe för Palantir, som är känt för sina dataanalystjänster.

Avtalet gäller 10 Targeting Access Node‑system (TITAN) som använder AI för att samla in data från rymdsensorer för att hjälpa soldater att uppnå bättre målprecision och träffsäkerhet. Systemen fungerar som en mobil markstation och hjälper till att förbättra soldaters krigföringsstrategi. Palantir samarbetade med L3Harris (LHX ), Northrop Grumman (NOC ) och Anduril Industries för att utveckla vissa av funktionerna.

Denna vecka delade Palantir en lista över nya kunder som deltog i deras AI‑evenemang, vilket avslöjade Walgreens , Heineken, Ripcord och RaceTrac, bland andra, som deras senaste kunder.

Det samarbetade också med Archer Aviation (ACHR ) för att bygga AI‑grunden för framtidens nästa generations flygteknologier och hjälpa till att skala deras flygplansproduktion. Planen är att utnyttja AIP och Foundry för att utveckla mjukvara med AI för att förbättra flygsystem som flygtrafikledning, ruttplanering och rörelsestyrning.

“Palantirs partnerskap med Archer omdefinierar framtiden för flyg, vilket gör den inte bara mer effektiv utan också mer tillgänglig,” sade Karp och tillade att denna integration lägger “grunden för ett transformerande språng i effektivitet, säkerhet och hållbarhet.”

Senaste om Palantir Technologies Inc.

Slutsats

Amazon (AMZN ), med sin rika biologiska mångfald och omfattande resurser, bidrar till den globala ekonomiska landskapet. Så är bevarandet och hållbar förvaltning av dessa områden inte bara fördelaktigt för Brasilien utan också avgörande för hela planetens hälsa.

Amazonas regnskog står dock inför hotet från skogsbränder, vilket innebär en allvarlig utmaning för dess stabilitet. Detta betyder att regionens framtid beror på beslutsamma, snabba åtgärder.

Här representerar den djupinlärningsbaserade modellen för branddetektering ett stort genombrott i att hantera denna kris. Genom att uppnå en noggrannhet på 93 % ger modellen ett kraftfullt verktyg för tidig upptäckt och snabb respons på bränder, vilket kan hjälpa till att förhindra katastrofala miljöskador och bidra till att upprätthålla Amazonas regnskogs långsiktiga hälsa och stabilitet.