美国微软捐500万美元支持加州山火AI监测
面向持续加剧的山火威胁，由加州大学圣迭戈分校（University of California San Diego）创立的ALERTCalifornia系统将AI摄像头监测引入火灾防控，实现了最早较首个911报警电话提前2.5小时发现火情。微软AI for Good实验室正以资金和技术支持推动该系统的下一阶段扩展。
美国山火风险正随气温上升、持续干旱和开发范围扩大而增加。去年全国报告的近7.8万起山火较前一年增加20%。在加州，火长期参与塑造森林、草原和沿海景观，当前管理难点集中在社区如何与火共处。
过往数十年，山火发现通常依赖民众从道路、瞭望点或社区附近看到烟雾后报警。由加州大学圣迭戈分校创立的ALERTCalifornia改变了这一流程：约1300个摄像头部署在火灾多发地区，系统通过AI比对不同摄像头角度的实时画面来核实火点位置，并在几分钟内向应急团队发送警报。试运行头两个月，该系统在其他渠道报告前发现了77起事件；目前其每天处理超过700万张图像，最早可比第一个911报警电话提前2.5小时识别山火。
该系统同时承担区分真实火情与云、雾、光线变化的任务，以减少消耗应急资源的误报。ALERTCalifornia创始人、地球物理学家Neal Driscoll博士表示，每场火灾都有失控的可能，该团队试图解决的问题是让火不失控。
AI并不取代消防员的现场判断，而是在人员到达前提供火点位置和可能走势的多视角画面，辅助调度员决定响应方式，并可据此判断事件属于计划烧除还是新发山火。Earth.Org的资料显示，山火点燃需要干燥植被、富氧空气和热源同时具备，强风会加速蔓延；闪电是主要的自然火源，更热、持续时间更长的闪电更有可能引发火灾，2014年的一项研究发现，温度每升高1摄氏度，闪电频率可能增加12%；美国超过80%的山火与人类活动有关，人类活动约占美国山火的84%；山火烟雾含有气体和细颗粒物，可远距离传播并深入肺部，增加呼吸系统和心血管健康风险；气候变化使美国火季由约四个月延长至六到八个月甚至更久；大规模山火释放温室气体并破坏储碳植被，形成加剧气候变化的反馈循环。
过往案例显示了早期检测的作用。2023年，ALERTCalifornia的摄像头和AI帮助消防人员迅速控制克恩县（Kern County）的Trotter Fire，过火面积52英亩；项目方表示，若无AI成像技术该火可能蔓延至近4000英亩。2019年索诺玛县（Sonoma County）金卡德火灾（Kincade Fire）期间，更早的预警支持了疏散规划，超过18万居民被疏散且无一死亡。微软AI for Good实验室企业副总裁兼首席数据科学家Juan Lavista Ferres说，如果能及早发现火灾，一把铲子就能扑灭；如果等下去，就需要推土机、空中加油机，甚至奇迹。
微软正以500万美元捐助支持ALERTCalifornia的下一阶段，其中200万美元用于技术开发，300万美元为Azure云服务赠款。克恩县消防局副局长兼ALERTCalifornia运营副总监Zachary Wells说，系统在最初五分钟内即获得大量信息，这种早期理解影响着后续的一切。
检测之外，ALERTCalifornia还在利用近9.8万平方英里的LiDAR数据构建加州景观数字模型，用于地形测绘、森林健康监测及滑坡等灾害风险评估。这些能力在山火过后尤为重要，因为受损景观更易受到侵蚀、泥石流和流域变化的影响。结合环境监测，AI成像可在火灾发生前、发生中和发生后支持韧性建设。
在更广的环境AI布局中，微软AI for Good实验室还开展了系列项目。Aurora forecasting基于13亿参数的AI基础模型分析大气数据，改进天气预报与气候预测，支持天气预测、空气质量建模和极端天气分析；地理空间机器学习项目联合大学、保护机构、非政府组织及土耳其内政部灾害和应急管理署（Disaster and Emergency Management Presidency），将地理空间数据、卫星和航空影像与机器学习结合，应用于地震建筑损害评估、冰川与土地覆盖测绘、家禽养殖场测绘及可再生能源监测。
冰川测绘项目利用机器学习和卫星影像对兴都库什喜马拉雅地区的清洁冰与碎石覆盖冰川进行识别和监测，并通过网络工具让专家审查和修正模型预测；可再生能源测绘项目用地理空间机器学习大规模测绘和监测可再生能源开发；生物声学项目与洪堡研究所（Humboldt Institute）等机构合作，在亚马逊地区开展Project Guacamaya物种识别，同时支持白鲸监测及鸟类、两栖动物叫声自动分类；加速生物多样性调查项目与NOAA Fisheries、Sieve Analytics和LILA BC合作，分析相机陷阱、航空相机和麦克风获取的图像与音频，以减少人工标注；土地覆盖测绘项目用计算机视觉将遥感数据转化为土地利用和覆盖信息，以缩短环境科学家的人工测绘时间。
