Ang Deep Learning Nagpapataas ng Katumpakan ng Pagtuklas ng Sunog sa Amazon sa 93%

Ang pangkat ng pananaliksik na nakabase sa Universidade Federal do Amazonas ay nakabuo ng modelong Artificial Neural Network (ANN) na gumagamit ng satellite imagery at mga teknik ng deep learning upang matuklasan ang mga sunog sa kagubatan ng Amazon (AMZN ) nang may mataas na tagumpay.

“Ang kakayahang matuklasan at tumugon sa mga sunog ay mahalaga para mapanatili ang marupok na ekolohikal na balanse ng mga mahahalagang ekosistemang ito, at ang kinabukasan ng rehiyong Amazon ay nakasalalay sa mabilis at tiyak na aksyon.”

– Lead author Professor Cíntia Eleutério ng Universidade Federal do Amazonas

Bagaman ang pagmamanman sa Amazon ay ibinibigay pa rin ng real-time na datos ngayon, ito ay may katamtamang resolusyon, at ang kakayahang matuklasan ang mga detalye sa mas maliliit na pagsiklab ng sunog o sa mga liblib na lugar ay limitado.

Kaya, ang modelo ay kumakatawan sa isang makapangyarihang solusyon para sa awtomatikong pagtuklas ng mga sunog, na malaki ang nababawasan sa oras na kinakailangan upang mapigil ang kanilang mapaminsalang epekto.

Nailathala sa International Journal of Remote Sensing, iniulat ng mga natuklasan ng pag-aaral ang tagumpay na umabot hanggang 93% sa pagsasanay ng modelo gamit ang mga larawan ng kagubatan ng Amazon na may at walang sunog. Ayon kay co-author Professor Carlos Mendes:

“Ang modelong CNN ay maaaring magsilbing mahalagang karagdagan, na nagbibigay-daan sa mas detalyadong pagsusuri sa mga tiyak na rehiyon. Sa pamamagitan ng pagsasama ng malawak na temporal na saklaw ng kasalukuyang mga sensor sa spatial na katumpakan ng aming modelo, maaari naming lubos na mapabuti ang pagmamanman ng sunog sa mga kritikal na zona ng pangangalaga sa kapaligiran.”

Napansin ng pag-aaral na ang pagsasama ng mga satellite image at AI ay nagtatanghal ng isang proaktibong paraan upang harapin ang tumitinding hamon na dulot ng mga sunog sa kagubatan habang nag-aambag sa larangan ng remote sensing at deep learning. 

Ang teknolohiya ay partikular na nag-aalok ng potensyal na mapabuti ang mga sistemang maagang babala at pagbutihin ang mga estratehiya sa pagtugon sa sunog, na tumutulong sa pangangalaga ng mga kritikal na ekosistema tulad ng Amazon. Ang pagsasama sa umiiral na mga sistemang pagmamanman ay maaaring madaling tumagal ng 1 hanggang 3 taon, depende sa karagdagang pagberipika at pagsasakatuparan. Ngunit tingnan natin nang mas malalim ang mga pag-unlad na iniaalok ng bagong teknolohiya sa mundo.

Ang Baga ng Mundo ay Humaharap sa Malubhang Banta

Ang kagubatan ng Amazon ay isang pandaigdigang mahalagang yaman, na naglalaman ng ilang milyong species ng ibon, insekto, halaman, at iba pang anyo ng buhay. Ito ay ang pinakamayaman at pinakaiba-ibang biological reservoir sa mundo.

Ang mga tao sa buong mundo ay umaasa sa kagubatang ito hindi lamang para sa pagkain, tubig, kahoy, at gamot kundi pati na rin upang makatulong sa pagpapanatili ng klima sa pamamagitan ng napakalaking 150-200 bilyong tonelada ng carbon na nakaimbak dito.

Ang kagubatan ng Amazon ay may malakas na sosyo-ambiental at ekonomikong impluwensya sa Brazil, na bumubuo ng halos 40% ng kabuuang lupain ng bansang Timog Amerika. Bukod sa Brazil, ang kagubatan ay sumasaklaw sa walong iba pang bansa sa Timog Amerika.

Dahil sa mahalagang papel nito sa pangangalaga ng biodiversity at pandaigdigang regulasyon ng klima, ang kagubatan ng Amazon ay may malaking kahalagahan sa ekolohiya.

Gayunpaman, ito ay humaharap sa tumitinding krisis sa anyo ng malawak na deforestation, hindi napapanatiling paggamit ng lupa, at ang nagbabanta na sunog.

Sa nakalipas na kalahating siglo, ang pagtaas ng temperatura ay nagdulot ng paglala ng tagtuyot sa rehiyon. Ang mga pangyayari ay patuloy na lalala, kung saan karamihan sa mga modelo ay nagtataya ng pagtaas ng tindi ng tag-init sa kagubatan ng Amazon sa ika-21 siglo. 

Ang pagtaas na ito ay dulot ng mga puwersa ng radyasyon at pagbaba ng produksyon ng aerosol, na nagdudulot ng anomalong pagbabago sa temperatura ng ibabaw ng dagat (SST), na nagreresulta sa pag-iba-iba ng dami ng pag-ulan sa rehiyon ng Amazon.

Kung makumpirma ang bagong konfigurasyong ito ng klima, ayon sa pag-aaral, ang kagubatan ay maaaring maging pinalakas na sistema na madaling magkasunog. Ito ay naglalantad sa mga baga ng Mundo sa tumataas na banta dahil sa pagdami ng mga sunog. 

Ang mga pangkapaligirang epekto ng mga sunog ay hindi lamang limitado sa mga hangganan ng rehiyon; bagkus, nakaaapekto ito sa pandaigdigang pattern ng klima at biodiversity. Ito ay nagiging mahalaga upang matuklasan at tumugon sa mga sunog sa Amazon. 

Upang subaybayan at harapin ang krisis na ito, ang remote sensing gamit ang satellite imagery ay lumitaw bilang isang mahalagang kasangkapan para mapanatili ang marupok na ekolohikal na balanse ng mahalagang ekosistemang ito.

I-click dito upang malaman kung bakit mas mahalaga ang kaligtasan sa sunog kaysa dati.

Ang Malubhang Epekto ng Paglala ng mga Sunog

Batay sa datos mula sa National Institute for Space Research (INPE) sa web platform na TerraBrasilis, ang mga sunog sa kagubatan mula Enero hanggang Hunyo ay nanatiling mababa mula 1999 hanggang 2023. Gayunpaman, ang bilang ng mga insidente ay tumaas nang malaki mula Hulyo hanggang Nobyembre bago bumaba sa Disyembre.

Ang bilang ng mga insidente ng sunog ay mababa sa buong taon mula 1999 hanggang 2001. Ang tindi ng sunog ay tumaas nang malaki simula 2002, na umabot sa lokal na pinakamataas noong 2005. 

Ang pagbaba ay nagpatuloy hanggang 2011 nang magsimulang tumaas muli ang bilang, at ang pag-akyat na ito ay patuloy pa rin. Ang huling limang taon ay nagkaroon ng pinakamataas na bilang ng mga sunog. Noong 2023, may 98,639 na sunog sa Amazon.

Ang kagubatan ng Amazon ay nag-aambag din ng malaking bahagi (higit sa kalahati) ng mga sunog sa mga biome ng Brazil.

Bukod sa Amazon, ang iba pang mga ekosistema na matatagpuan sa Brazil ay kinabibilangan ng Cerrado, na nag-ambag ng 26.70% ng lahat ng sunog, pati na rin ang Caatinga, Atlantic Forest, Pantanal, at Pampas, kung saan ang huli ay pinaka-kaunti ang naapektuhan ng mga sunog noong 2023.

Ang bawat isa sa mga ekosistemang ito ay may natatanging pagkakaiba-iba ng species at katangian. Mahalaga ang mga biome na ito sa pagmitiga ng pagbabago ng klima, bilang carbon sink, at pagprotekta sa mga nanganganib na species. Gayunpaman, ang mga sunog ay nagdudulot ng malaking pinsala sa lahat ng mga ekosistemang ito.

Sa lokasyon, ang pinakamataas na konsentrasyon ng mga sunog sa estado ng Amazonas ay matatagpuan sa mga munisipalidad ng Lábrea, Apuí, at Novo Aripuanã, na nagrekord ng pinakamataas na bilang ng mga insidente.

Ang mga sunog sa kagubatan ay lubos na nakasasama at may mapaminsalang epekto sa maraming aspeto.

Una, sinisira nito ang vegetasyon, na maaaring magdulot ng hindi na mababawi na pagkalipol ng mga katutubong species. Ang ilang bahagi ng vegetasyon ay may natatanging katangian panggamot at matatagpuan lamang sa rehiyon ng Amazon.

Ang mga sunog ay nakakaapekto rin sa fertility ng lupa, na nagiging walang-buhay at humahadlang sa natural na pagbangon ng mga apektadong lugar. Bukod pa rito, ang deforestation sa Amazon na dulot ng mga sunog ay nagdudulot ng pagtaas ng pagdaloy ng tubig, na nagpapataas ng antas ng ilog. Ito ay dahil sa pagbawas ng vegetasyon na negatibong nakakaapekto sa pagsipsip ng tubig sa lupa, na nagbabawas ng evapotranspiration.

Pagkatapos ay ang pagkawala ng fauna at flora, na kapwa nakababahala. Ang mga sunog sa kagubatan ay nagdudulot ng pagkasira ng mahahalagang tirahan, na nagreresulta sa malalaking hindi pagkakatugma sa lokal na food chain. 

Ang matinding paglabas ng CO2 sa atmospera ay nagpapalala rin sa greenhouse effect at global warming. Ito ay nagpapataas ng mga hamon sa pandaigdigang klima at nagiging mas madalas ang malalaking sunog sa kagubatan ng Amazon.

Paggamit ng Deep Learning para sa Awtomatikong Pagtuklas ng Sunog

Upang tugunan ang problema, gumamit ang pag-aaral ng bagong teknolohiya, ang Convolutional Neural Network (CNN), upang i-klasipika ang mga sunog sa rehiyon. 

Ang CNN ay isang espesyal na subset na na-optimize para sa pagsusuri ng imahe at pagkilala ng visual na pattern, na naging isang makapangyarihang kasangkapan sa computer vision. 

Halimbawa, ginamit ang modelong CNN upang i-klasipika at i-diagnose ang COVID-19. Bukod dito, ito ay ginamit upang matuklasan ang pneumonia gamit ang chest X-ray images, matalinong pagkilala at pag-recycle ng basura, pagsusuri ng mga banggaan sa High Energy Physics, at pagkilala ng uri ng selula sa mga imahe ng stem cell.

Ginagamit din ito para sa detection ng pagbabago ng deforestation sa Brazilian Amazon gamit ang Landsat data, pagtuklas ng sunog, at detection ng usok mula sa sunog sa mga imahe ng unmanned aerial vehicle (UAV).

Ang CNN ay gumagamit ng deep learning, isang subset ng Artificial Intelligence (AI) at Machine Learning na gumagamit ng mga algorithm na gumaganda habang nasasanay sa mas marami at bagong datos.

Para sa pag-aaral na ito, sinamantala ng mga mananaliksik ang algorithm na Artificial Neural Networks (ANN), na ginagaya ang paraan ng pag-andar ng utak ng tao at nagbibigay-daan sa mga computational model na maunawaan ang masalimuot na pattern at harapin ang mga hamon na maaaring lampas sa kakayahan ng tao. 

Ito ay nag-i-stack ng maraming layer nang sunud-sunod upang mapadali ang pag-aasimilasyon ng kaalaman at magtrabaho sa malalaking dataset sa panahon ng pagsasanay. 

Ang teknolohikal na sinerhiyang ito ay gumagamit ng mga estadistikal na pamamaraan upang matulungan ang mga makina na magsagawa ng mga gawain tulad ng pagtukoy ng mga sunog sa pamamagitan ng experiential learning. 

Sa pamamagitan ng paggamit ng malaking potensyal ng mga teknik ng deep learning, nag-aalok ang network ng makapangyarihang solusyon para sa awtomatikong pagtuklas ng mga sunog. Ang awtomatikong pagkilala ay nagbibigay-daan sa napapanahong tugon upang mapigil ang mapaminsalang epekto ng mga sunog. 

Sa pinakabagong pag-aaral, pinalawak ng mga mananaliksik ang balangkas ng neural network upang ituon sa CNN, na partikular na ginagamit sa pamamagitan ng mga Python library na TensorFlow at Keras, isang uri ng modelo na malawakang ginagamit sa mga aplikasyon ng computer vision para sa pagkuha ng mga tampok mula sa mga imahe. 

Ang layunin ay gamitin ang CNN upang matuklasan ang mga sunog sa rehiyon ng Amazon gamit ang mga satellite imagery ng Landsat 8 at Landsat 9.

I-click dito upang malaman kung paano nilalabanan ng heat-activatable biomimetic hydrogels ang mga sunog

Advanced at Lokal na Lapit sa Pagtuklas ng Sunog

Gumamit ang koponan ng mga larawan mula sa mga satellite na Landsat 8 at Landsat 9 upang sanayin ang modelo. 

Ang mga satellite na ito ay may kasamang advanced na mga instrumento upang kumuha ng mga larawan sa iba’t ibang spectral band, na kinakailangan para sa pagtuklas at klasipikasyon ng mga sunog. Ang multispectral at thermal na kakayahan ng mga satellite na ito ay nagbibigay-daan sa pagkilala ng mga anomalya sa temperatura at paghiwalay sa pagitan ng uri ng vegetasyon at nasunog na mga lugar. 

Parehong tampok ng mga satellite na ito ang Operational Land Imager (OLI), na kumukuha ng mga larawan sa visible, near-infrared (NIR), at shortwave infrared (SWIR) bands, na kritikal sa pagtuklas ng mga pagbabago sa vegetasyon.

Ang mga nasunog na lugar ay nagpapakita ng mababang reflectance sa NIR, habang ang malusog na vegetasyon ay malakas na nagre-reflect. Ang shortwave infrared (SWIR) bands naman ay tumutulong sa pagtuklas ng moisture sa lupa at vegetasyon para sa pagkilala ng mga apektadong rehiyon ng sunog.

Parehong may Thermal Infrared Sensor (TIRS) ang mga satellite, na gumagana sa dalawang thermal infrared band at nagbibigay ng mahalagang datos tungkol sa mga pinagmumulan ng init at temperatura ng ibabaw. Ang TIRS ay may spatial resolution na 100 metro, habang ang OLI bands ay may spatial resolution na 30 metro. Dahil dito, sila ay pinaka-relevant para sa pagmamanman ng sunog at nagbibigay-daan sa mas detalyadong pagmamapa ng kalusugan ng vegetasyon. 

Sinanay ng koponan ang CNN gamit ang dataset ng 200 kamakailang larawan na nakuha mula sa EarthExplorer, na nagpakita ng mga sunog sa kagubatan ng Amazon. Ang pantay na bilang ng mga larawan na walang sunog ay ginamit din upang matiyak ang balanseng pagkatuto. 

Bagaman maliit ang dataset, ito ay sapat para makamit ng CNN ang 93% na katumpakan sa yugto ng pagsasanay. Nang subukan sa 40 larawan na hindi kasama sa pagsasanay, nagawang tama ng modelo na i-klasipika ang 23 sa 24 na larawan na may sunog at lahat ng 16 na larawan na walang sunog.

Ang napakataas na antas ng pagganap na ito ay nagpapakita ng katatagan at kakayahan ng modelo na mag-generalize.

Ayon sa koponan, ang lapit na ito ay nagpapakita ng malaking potensyal para sa pagtuklas ng sunog at maaaring magamit bilang karagdagan sa mga kilalang malawakang sistema ng pagmamanman tulad ng Moderate Resolution Imaging Spectroradiometer (MODIS) at Visible Infrared Imaging Radiometer Suite (VIIRS), na malawakang ginagamit sa Brazil para sa malawak, patuloy na pagtuklas ng sunog.

Bilang karagdagang kasangkapan, maaaring gamitin ang CNN kasama ang MODIS at VIIRS upang mapabuti ang mga sistemang maagang babala at pagbutihin ang mga estratehiya sa pagtugon sa sunog.

Ang metodolohiya, dagdag pa ng mga mananaliksik, ay lumalampas sa ekosistemang Amazonian na may potensyal na magamit sa ibang bahagi ng mundo. Maaari nitong tulungan ang mga awtoridad na labanan at pamahalaan ang mga insidente, “nagbibigay ng advanced at mas lokal na lapit sa pagtuklas ng sunog,” ayon sa pag-aaral.

Ang CNN ay maaari ring tuklasin sa pagmamanman at pagkontrol ng deforestation, ayon sa mga mananaliksik. Ang susunod nilang hakbang ay dagdagan ang bilang ng mga training images upang magkaroon ng “mas matibay na modelo.”

I-click dito upang malaman kung paano makatutulong ang AI at lumalaking database ng pangyayari upang mabawasan ang panganib ng mga sunog.

Inobatibong Kumpanya

Palantir Technologies Inc.

Sa pamamagitan ng AI-driven na geospatial analytics at mga solusyon sa pagtugon sa kalamidad, kinakatawan ng Palatir ang isang malakas na manlalaro sa pagmamanman ng kapaligiran at pagtuklas ng sunog.

Itinatag noong 2003 nina Alex Karp, Peter Thiel, Stephen Cohen, at Joe Lonsdale, ang Palantir ay isang tagapagbigay ng software sa pamamagitan ng Gotham, Foundry, Apollo, at AIP (Artificial Intelligence Platform). Sa market cap na $186.6 bilyon, ang mga shares ng Palantir ay kasalukuyang nagte-trade sa $81.25, tumaas ng 5.28% YTD. Mayroon itong EPS (TTM) na 0.19 at P/E (TTM) na 421.05.

Noong unang bahagi ng Pebrero, inanunsyo ng kumpanya announced ang kanilang Q4 2024 financial results, na nag-ulat ng $828 milyon na kita, na tumaas ng 36% YoY at 14% QoQ. Ang bilang ng kanilang mga customer ay tumaas din ng 43% YoY at 13% QoQ.

Ang US revenue ng Palantir ay $558 milyon, tumaas ng 52% YoY at 12% QoQ, kung saan ang US commercial revenue ay $214 milyon, na lumago nang higit sa US government revenue na $343 milyon.

Sa panahong ito, nagsara ang kumpanya ng 32 na deal na may halagang hindi bababa sa $10 milyon, 58 na deal na hindi bababa sa $5 milyon, at 129 na deal na hindi bababa sa $1 milyon. Nagsara rin ito ng rekord na $803 milyon na kabuuang kontrata ng US commercial (“TCV”) habang ang natitirang halaga ng US commercial na deal (“RDV”) ay $1.79 bilyon.

Iniulat ng Palantir na may $460 milyon na cash mula sa operasyon at $79 milyon na GAAP net income, habang ang GAAP earnings per share ay $0.03 at Adjusted EPS ay $0.14. Nagtapos ang kumpanya ng taon na may $5.2 bilyon sa cash, cash equivalents, at short-term US Treasury securities.

Para sa buong 2024, nagkaroon ang Palantir ng $2.87 bilyon na kita, $1.90 bilyon na US revenue, at $1.15 bilyon na cash mula sa operasyon. Ngayon, para sa Q1 2025, inaasahan ng kumpanya ang kita sa pagitan ng $858 at $862 milyon at ang adjusted free cash flow para sa buong taon 2025 ay nasa pagitan ng $1.5 at $1.7 bilyon.

“Ang aming mga resulta sa negosyo ay patuloy na nakakabigla, na nagpapakita ng aming lumalalim na posisyon sa sentro ng AI revolution. Ang aming mga maagang insight tungkol sa commoditization ng malalaking language model ay nag-evolve mula teorya tungo sa katotohanan.”

– CEO Karp

Pagdating sa pinakabagong mga pag-unlad, noong unang bahagi ng buwang ito, inanunsyo ng Palantir ang paglulunsad ng kanilang unang dalawang AI-enabled na sistema sa US Army. Tinawag ito ng Palantir USG CTO Akash Jain na “leapfrog moment” para sa US Army. Napanalunan ng kumpanya ang $178 milyong kontrata isang taon na ang nakalilipas, nilalampasan ang defense giant RTX Corporation (RTX ) , na nagmarka ng mahalagang milestone para sa Palantir, na kilala sa kanilang mga serbisyo sa data analysis.

Ang kasunduan ay para sa 10 Targeting Access Node systems (TITAN) na gumagamit ng AI upang mangolekta ng datos mula sa mga space sensor upang matulungan ang mga sundalo na makamit ang mas mahusay na strike targeting at katumpakan. Bilang isang mobile ground station, tumutulong ang mga sistemang ito na paunlarin ang estratehiya ng pakikidigma ng mga sundalo. Nakipagtulungan ang Palantir sa L3Harris (LHX ), Northrop Grumman (NOC ), at Anduril Industries upang bumuo ng ilan sa mga kakayahan.

Sa linggong ito, ibinahagi ng Palantir ang listahan ng mga bagong customer na dumalo sa kanilang AI event, na nagpakita ng Walgreens , Heineken, Ripcord, at RaceTrac, kasama ang iba pa, bilang kanilang pinakabagong kliyente.

Nakipag-partner din ito sa Archer Aviation (ACHR ) upang buuin ang AI foundation para sa hinaharap ng susunod na henerasyon ng teknolohiyang panghimpapawid at tulungan palawakin ang kakayahan sa paggawa ng eroplano. Ang plano ay gamitin ang AIP at Foundry upang bumuo ng software gamit ang AI upang paunlarin ang mga sistema ng aviation tulad ng air traffic control, route planning, at movement control.

“Ang partnership ng Palantir sa Archer ay muling binibigyang kahulugan ang hinaharap ng paglipad, ginagawa itong hindi lamang mas epektibo kundi pati na rin mas accessible,” sabi ni Karp, na nagdagdag na ang integrasyong ito ay nagtatakda ng “entablado para sa isang transformasyunal na pagtalon sa kahusayan, kaligtasan, at sustainability.”

Pinakabagong Balita sa Palantir Technologies Inc.

Konklusyon

Ang Amazon, na mayaman sa biodiversity at malawak na mga mapagkukunan, ay nag-aambag sa pandaigdigang ekonomiya. Kaya, ang konserbasyon at napapanatiling pamamahala ng mga lugar na ito ay hindi lamang kapaki-pakinabang sa Brazil kundi kritikal din sa kalusugan ng buong planeta.

Gayunpaman, ang kagubatan ng Amazon ay humaharap sa banta ng mga sunog, na nagdudulot ng seryosong hamon sa katatagan nito. Ibig sabihin, ang kinabukasan ng rehiyon ay nakasalalay sa matatag, mabilis na aksyon. 

Dito, ang modelo ng pagtuklas ng sunog na batay sa deep learning ay kumakatawan sa isang malaking breakthrough sa pagharap sa krisis na ito. Sa pag-abot ng 93% na antas ng katumpakan, nagbibigay ang modelo ng makapangyarihang kasangkapan para sa maagang pagtuklas at mabilis na pagtugon sa mga sunog, na maaaring makatulong upang maiwasan ang mapaminsalang pinsala sa kapaligiran at mapanatili ang pangmatagalang kalusugan at katatagan ng kagubatan ng Amazon.