卫星数据、森林火灾和人工智能：在气候挑战中保护葡萄酒产业
Satellite data, forest fires, and AI protecting the wine industry in the face of climate challenges.
火灾、烟雾、干旱……当你今天下午准备品尝一杯美味的澳大利亚赛美蓉葡萄酒时，请花些时间反思它在进入你的餐桌之前所经历的令人称奇的坚韧之旅。
你也可以在 Kablamo 工程博客上阅读这篇文章。
气候挑战：气候变化与葡萄酒生产的交汇点
作为全球第五大葡萄酒出口国，澳大利亚在葡萄酒界占据重要地位。位于悉尼以北几个小时的亨特河谷是澳大利亚最古老的葡萄酒产区，正面临着巨大的挑战。根据澳大利亚葡萄酒协会的气候图集，该地区预计在未来50年内平均升温2.3摄氏度。这带来了不可预测的天气模式和由持续升温引发的丛林火灾风险增加。亨特河谷已经面临着越来越容易发生丛林火灾的风险，这是气候变化面前的一个加剧威胁。
风险不仅仅来自直接的火灾影响。除了直接受到火焰影响的葡萄园，还会因为附近火灾产生的烟雾而受到威胁。当烟雾颗粒附着在葡萄皮上时，会产生“烟雾污染”现象，这会影响到这些葡萄酿造的葡萄酒的质量，导致大量葡萄收成损失。
随着2023年夏季接近，厄尔尼诺现象带来了创纪录的高温和极端干旱的双重担忧。积累的燃料、干燥、易燃的天气和雷电活动共同增加了频繁发生丛林火灾的可能性。因此，干旱、干燥的植被和前所未有的高温的交汇可能危及葡萄酒行业。减轻这些风险需要有效的防火策略、精确的风险评估和战略性的危险减少努力。
大自然的警觉眼：利用卫星数据进行土地健康评估
卫星在科学家的工具箱中扮演着至关重要的角色，使他们能够监测地球的大气、地形和海洋。欧洲哥白尼计划的组成部分之一，以波兰天文学家尼古拉斯·哥白尼命名的 Sentinel-2 是一项地球观测任务，能够以高空间分辨率（从10米到60米）捕捉陆地和沿海水域的光学图像。Sentinel-2 由两颗极轨道卫星组成，每5天提供一次数据。
Sentinel-2 利用可见光、近红外和短波红外传感器的13个光谱波段。这里，通过组合几个光谱波段（可见光红、绿、蓝波段）与对应的红、绿、蓝通道，形成彩色复合图像，类似于人眼所见。
这13个波段有助于计算估算植被健康状况、检测景观变化甚至估算丛林火灾风险的指数。Sentinel-2 光谱波段派生出的一个宝贵指数是增强植被指数（EVI）。EVI 经过专门设计以增强植被的可见性，同时尽量减少大气干扰，提供有关植被健康的见解。健康、绿色和水分充足的植被对应较高的 EVI 值，而干燥、不健康的植被，表明丛林火灾风险，对应较低的 EVI 值。
在对比2019-20年澳大利亚丛林火灾季节（黑色夏季）期间不健康和干燥的植被与2021年12月茂盛的植被时，可以看到显著的差异。
黄色表示植被非常健康，而深绿色表示不健康。
EVI提供了植被健康的数量化指标，使得酿酒厂能够跟踪整个葡萄园的整体状况，而不是单个藤蔓。这可以帮助识别肉眼可能无法立即察觉到的早期迹象。通过随时间跟踪EVI趋势并将其与历史数据进行比较，我们可以早期识别干旱条件并提醒葡萄园管理者采取适当措施。通过分析EVI和土壤湿度数据，我们可以制定确保有效用水的灌溉策略，防止过度灌溉或欠灌溉。EVI数据还可以检测影响葡萄园的潜在疾病的早期迹象，不健康的植被可能表明存在害虫或疾病。
从像素到精确度：细化分析：基于人工智能的个体农田检测
超越区域评估，我们可以对个体农田进行更精细的评估。由于标记数据稀缺，我们采用无监督方法来基于EVI和基本光谱带对相似农田进行分类。这种方法基于一个假设，即相似的植物类型对环境变化的响应类似。
由于我们缺乏准确的农田边界知识，可以使用无监督机器学习算法K-means聚类，根据相似性将未标记的数据点分割成K个簇。在Sentinel-2数据的背景下，K-means可以根据其光谱特征和EVI值将相似的像素分组。
K-means聚类的结果是簇标签，将每个数据点分配给K个簇之一。K-means基本上就像通过找到它们的平均颜色将彩色球分成组。在Sentinel-2数据领域中，这些标签用于识别具有相似光谱属性的区域。然后，可以对这些区域进行进一步检查，以获取有价值的见解，如土地利用分类和环境监测，并作为分割算法的输入。
为了提取个体农田以实现更高分辨率，以便进行个体农田分析，我们可以使用Felzenszwalb的算法，这是一种在图像处理和计算机视觉中广泛使用的分割技术。
这个算法作为一种自底向上的分割工具，将具有相似特征和空间接近性的像素聚合成段或区域。就像在图片中画出相似颜色的方块来形成形状。这种方法有助于提取和分析个体农田，用于未来的调查，如精确农业管理、作物产量预测或个体农田风险评估。
估计森林火灾风险：卫星数据的高级应用
卫星数据有潜力用于积极的森林火灾管理。卫星影像使我们能够评估个体农田和整个地区的火灾易感性，并通过人工智能的力量预测植被健康状况、干旱条件和疾病爆发情况。
通过使用已提到的EVI指数以及从卫星波段计算得出的其他指标（例如反映液态水存在的归一化差异水指数、用于识别烧毁区域和量化烧毁严重程度的归一化烧毁比、以及当前地表温度），可以计算森林火灾风险估计。
此外，这些指标和卫星数据在帮助州和联邦政府机构增强行业的韧性、规划灾难准备和提前配置资源用于恢复活动方面发挥着至关重要的作用。 这种合作的方式不仅确保了亨特谷的葡萄酒产业的保护，还保护了其他对我们快速变化的气候所带来的挑战脆弱的关键部门。
