作者 | 郑硕、陆少游
一 市场规模森林是一个繁芜且分布广泛的生态系统，许多构造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，也是对掌握景象变革的主要角色，例如空气净化，减少干旱，大水和水土流失落等。然而，《环球森林资源评估》指出，1990年至2015年间，天下森林面积减少了1％。在近年来，通过利用前辈技能对森林进行连续监测，可以得到准确而可靠的林业数据，并推进干系的研究和方法制订，其流失落速率少有减缓，这为智能林业的发展供应了主要机会。森林问题的管理对付环球生态环境发展起着重要的浸染。但是，随着数据精度和数据采集速率的提高，传统的数据剖析和存储技能已不能知足当前运用的性能哀求。林业大数据为林业发展过程中碰着的困难带来了新的办理方案，即大数据技能在林业数据处理中的运用。
二 林业领域常见人工智能技能
大数据技能：从林业管理活动开始，大数据技能就运用于林业中。利用栅格数据模型和矢量数据模型网络数据，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。存储技能系统通过HDFS存储异构数据。在处理部分中，它利用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构造化特色，更大限度的提高烟火识别效率，降落误报，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运用方向。
神经网络技能：神经网络技能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供应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、低本钱、自动化的病虫害识别及虫情监测
三 人工智能技能在林业的运用分布
四 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，利用无人机拍摄的图像计数幼树并检测非常的可能性达到 90％。在该区域上空翱翔的无人机产生了数百张4K图像。利用其来构建数据集，形成神经网络演习的根本，帮助每张图初始检测出221棵树，演习集终极扩展到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微风险。通过查看具有高空间分辨率和频繁访问的大片地皮，可以减少停电，资产破坏和其他经济丢失的风险，以及狂风雨或山火造成的环境和安全隐患。供应有关森林和木材清单的近实时情报。深入理解森林康健和威胁，例如森林砍伐，干旱，虫灾，土壤康健，风暴毁坏和其他森林滋扰。20tree.ai 和NVI3/ DIA GPU互助可以处理近100TB的从空客防御和太空公司以及欧洲哥白尼操持等互助伙伴那里得到的新卫星数据。该数据用于演习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康健状况
大华依托视频监控领域深厚的技能积累，以森林失火预警为核心出发点，以森林防火综合地理信息系统为根本，利用红外热成像热感应技能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能，可以对森林失火进行监测、定位和报警。通过森林防火赞助决策系统，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赞助支撑平台，为森林火险检测、预警、预报、扑救、灾后评估等决策供应技能支撑和科学依据，构建智能化防火体系。
五 人工智能在林业领域的局限性
算例限定：由于性能取决于底层存储系统和打算引擎，因此在某些林业大数据系统中仍旧存在问题。
数据限定：在数据层面，由于SciDB仍处于开拓和改进阶段，仅供应C措辞接口。因此，对付以非C措辞编写的分布式打算框架， 基于SciDB的林业数据存储没有广泛利用.
精度限定：作业工具识别的精确率不足高，目前采取人工神经网络建立的模型识别率大多是80%~90%。
运用模式限定：利用人工神经网络得出的结果每每须要经由人工处理后才可以运用到林业干系领域中，对处理的数据形式化哀求较高，造成人工神经网络方法在办理林业作业问题时的效率、准确率的局限。
六 人工智能在林业领域的发展趋势5G运用：随着5G技能的发展和物联网技能的广泛运用，林业大数据技能将得到进一步发展和更广泛的运用。
流量打算运用：流量打算的干系技能可以运用于暴雨等林业数据的处理，从而可以实时、自动地进行数据打算。
林业数据可视化：在林业数据可视化过程中，可以引入VR技能来提高系统的交互能力和用户体验。
多学科凑集运用：提升在运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，形成智能化的打算机制，能够从构造与基理上提升神经网络模型的自主性与智能性。
本文为「智周」系列报告「核心版」，相应「深度版」的推出操持将在后续公布，敬请大家关注。针对「人工智能在林业中的运用」这一主题，有哪些方向或主题，你希望在报告深度版中读到详细的阐述与剖析，欢迎留言，这将成为我们制作报告深度版的主要参考。