IT思维

公众号/机器之能

由于生态环境的日益恶化，森林资源的每况愈下，人工智能在林业领域必然要发挥作用。本文将从森林资源获取和森林生态环境保护两方面来探讨人工智能在林业领域的作用。利用大数据技术进行数据检测和预测，利用卫星遥感技术来进行森林的分类及变化预测，利用深度学习和神经网络实现大规模的物种分类、灾害预警，从而实现对森林资源保护。

作者 | 郑硕、陆少游

市场规模

森林是一个复杂且分布广泛的生态系统，许多结构性木材来自可持续管理的森林和人工林，这些森林和人工林是无价的野生生物栖息地，也是对控制气候变化的重要角色，例如空气净化，减少干旱，洪水和水土流失等。然而，《全球森林资源评估》指出，1990年至2015年间，世界森林面积减少了1％。在近年来，通过使用先进技术对森林进行连续监测，可以获得准确而可靠的林业数据，并推进相关的研究和措施制定，其流失速度少有减缓，这为智能林业的发展提供了重要机会。森林问题的管理对于全球生态环境发展起着重要的作用。但是，随着数据精度和数据采集速度的提高，传统的数据分析和存储技术已不能满足当前应用的性能要求。林业大数据为林业发展过程中遇到的困难带来了新的解决方案，即大数据技术在林业数据处理中的应用。

林业领域常见人工智能技术

大数据技术：从林业管理活动开始，大数据技术就应用于林业中。利用栅格数据模型和矢量数据模型收集数据，进而通过GIS系统进行数据检测和数据预测

深度学习：深度学习可用于从LiDAR数据中提取树种并对其进行分类。存储技术系统通过HDFS存储异构数据。在处理部分中，它使用MapReduce编程范例来实现K-means算法。并且深度学习算法模型可刻画出传统模式识别难以挖掘的烟火结构化特征，更大限度的提高烟火识别效率，降低误报，同时可适应更多的林区环境，是人工智能在森林防火的一个应用方向。

神经网络技术：神经网络技术包括卷积神经网络和人工神经网络。为植物物种鉴定和叶片病害识别提供了有效的预处理和降噪方法，极大程度提高了自动分割和识别的准确率，从而实现大规模、低成本、自动化的病虫害识别及虫情监测

人工智能技术在林业的应用分布

人工智能在林业的研究项目及案例简述

ytelake构建了软件引擎，使用无人机拍摄的图像计数幼树并检测异常的可能性达到 90％。在该区域上空飞行的无人机产生了数百张4K图像。使用其来构建数据集，形成神经网络训练的基础，帮助每张图初始检测出221棵树，训练集最终扩展到9000个，树木数量增加到285棵树，转化为92-95％的准确度

20tree.ai公司通过监视电力线周围的植被来帮助电力公司识别并减轻风险。通过查看具有高空间分辨率和频繁访问的大片土地，可以减少停电，资产损坏和其他经济损失的风险，以及暴风雨或山火造成的环境和安全隐患。提供有关森林和木材清单的近实时情报。深入了解森林健康和威胁，例如森林砍伐，干旱，虫灾，土壤健康，风暴破坏和其他森林干扰。20tree.ai 和NVI3/ DIA GPU合作可以处理近100TB的从空客防御和太空公司以及欧洲哥白尼计划等合作伙伴那里获得的新卫星数据。该数据用于训练一系列深度神经网络。GPU通过AWS和Google在内部和云端运行，深层神经网络可以洞察人眼看不见的森林健康状况

大华依托视频监控领域深厚的技术积累，以森林火灾预警为核心出发点，以森林防火综合地理信息系统为基础，利用红外热成像热感应技术和烟火智能检测算法，对数公里范围内的森林资源进行自动化监测，借助于智能林火识别技术，可以对森林火灾进行监测、定位和报警。通过森林防火辅助决策系统，实现三维场景下的“灾前、灾中、灾后”全过程、全方位、一体化动态管控和决策辅助支撑平台，为森林火险检测、预警、预报、扑救、灾后评估等决策提供技术支撑和科学依据，构建智能化防火体系。

人工智能在林业领域的局限性

算例限制：由于性能取决于底层存储系统和计算引擎，因此在某些林业大数据系统中仍然存在问题。

数据限制：在数据层面，由于SciDB仍处于开发和改进阶段，仅提供C语言接口。因此，对于以非C语言编写的分布式计算框架， 基于SciDB的林业数据存储没有广泛使用.

精度限制：作业对象识别的精确率不够高，目前采用人工神经网络建立的模型识别率大多是80%~90%。

应用模式限制：利用人工神经网络得出的结果往往需要经过人工处理后才可以应用到林业相关领域中，对处理的数据形式化要求较高，造成人工神经网络方法在解决林业作业问题时的效率、准确率的局限。

人工智能在林业领域的发展趋势

5G应用：随着5G技术的发展和物联网技术的广泛应用，林业大数据技术将得到进一步发展和更广泛的应用。

流量计算应用：流量计算的相关技术可以应用于暴雨等林业数据的处理，从而可以实时、自动地进行数据计算。

林业数据可视化：在林业数据可视化过程中，可以引入VR技术来提高系统的交互能力和用户体验。

多学科集合应用：提升在应用中的自主性与智能性研究。将人工神经网络系统与模糊理论、灰色系统、遗传算法等方法结合，形成智能化的计算机制，能够从结构与基理上提升神经网络模型的自主性与智能性。