美高中生靠機器學習辨識地面易燃物，助加州政府防範森林野火

加州前些時日野火肆虐，而火災的地點通常很難預測，而美國學生以TensorFlow建立了模型，透過圖像偵測森林地上的可燃物，以估算火災發生的機率。還計畫與政府單位合作部署自動化量測裝置，以減少人力收集資料需求。

從去年開始，加州的蒙塔維斯塔高中（Monta Vista High School）的兩名學生Aditya Shah和Sanjana Shah便著手尋找降低野火威脅的方法。Aditya Shah曾在Rancho San Antonio空地保留區待過一陣子，希望可以盡一份心力保護自然景觀，而Sanjana Shah則是曾因居住的地方受野火影響而被迫撤離，兩人都想找出解決辦法，在森林火災發生前降低損失。

野火帶來的災害，不僅會破壞生物自然棲地，同時也會對人與財產造成威脅。在解決野火問題上，阻止火災發生可能的成因，比火災發生才救火更有效率的多，雖然消防員會使用美國國家海洋和大氣管理局（NOAA）或是其他機構的第三方天氣資料來源，來預防野火發生，但很多地區的氣象站缺少主動監控可能造成野火的天氣屬性，缺少的資料也讓消防員計畫與控制野火的行動更加困難。

而Aditya Shah和Sanjana Shah的解決方案，則是建立了一個TensorFlow模型，透過量測森林地上可燃物的量，以評估火災發生的機率。他們先拍攝了Rancho San Antonio空地保留區的草叢照片，並將照片分為有綠色潮濕難以燃燒的灌木或葉子、乾燥的樹枝與葉子以及普通泥土或灰燼的不可燃物。他們訓練了一個模型，用來分辨這些地被類型，總共使用了150個訓練樣本，3個類型的圖片約各占三分之一，以及額外的50個圖像測試資料集。

在訓練上，他們挑選了以Python撰寫的開源神經網路函式庫Keras，在Keras訓練模型有兩個好處，除了允許將TensorFlow Estimator輸出至各種平臺與裝置上執行外，還能簡單快速的實作出設計原型，並在CPU或GPU上無縫運作。

儘管Aditya Shah和Sanjana Shah的方法，足以對不同類型的草叢進行分類，但是進一步的，他們還想要對像是整個Rancho San Antonio空地保留區大範圍的地區進行評估。為此他們使用了高傳真圖像感測器，連接遠程低功耗LTE，把捕捉到的圖片直接傳回主機中，一邊執行模型外還能同時對新收到的圖像進行分類。

該裝置同時也會收集風速、風向、濕度和溫度等其他天氣指標，可以對大約100平方公尺的面積進行分類，以偵測地被是否有發生火災的可能性。而他們正結合NOAA的風速和風向資料，以及即時收集到的資料，推算出火災可能擴散的方向。

雖然目前使用圖像分類和感測器的系統目前仍分開運作，但他們計劃未來要將這兩個系統結合在一起，除此之外，由於現在這個系統是在遊戲型筆電上執行TensorFlow模型，他們還計畫要將系統搬上雲端，以實現更靈活的規模擴展。在偏遠的森林地區收集資料也是目前的一大挑戰之一，他們正實驗以無人機來搜集地面資料。

也由於加州林業與消防部（California Department of Forestry and Fire Protection，Cal Fire）現在需要靠人力測量樹枝重量以量測潮濕程度，因此Aditya Shah和Sanjana Shah將繼續與Cal Fire合作部署感測裝置，以減少人力需求。