每当我有机会，我就会拿起相机，花上几个小时捕捉大盆地红木州立公园的完美美景。这是我多年来最喜欢的消遣。巨型红杉，这是世界上最大的单一树木和数量最大的生物，总能帮助我理解我们与比我们更大的事物的联系。
在去年，那些高耸的树木被野火烧成了灰烬。 2017年是加利福尼亚州有史以来最具破坏性的野火季节，超过9,000场火灾燃烧了约2,200平方英里的森林。看着百年古树破坏，我向自己提出了一个挑战，寻找解决方案来阻止这种巨大的损失。
当我15岁时，我开办了一个非营利组织Raindrop US，以帮助提高对加州干旱的认识。我还在我的学校蒙塔维斯塔高中创建了“绿色社会”，以提高对全球变暖的认识。去年四月在这个社会的会议上，我开始与朋友和同学Sanjana Shah合作，为野火预防创造一个永久的解决方案。 Sanjana分享我对环境问题的热情，并在环境领域获得多项国内和国际奖项，其中包括2016年的美国总统奖。
我们决定开发一种能够识别和预测易受野火影响的森林地区的设备，并向消防部门提供预警。可用的工具测量大部分造成野火的因素，如风速，风向，湿度，温度。然而，由多年下降的树枝和树木所产生的生物量，难以估计和测量。使用Google的开源机器学习工具TensorFlow，我们可以分析生物质图像并估计其含水量和大小，以确定死燃料的数量。
当森林中倒下的树枝和叶子的含水量为0％时，它被归类为死燃料。当燃料含水量较高时，火焰不易点燃，或者完全不点燃，因为大部分火焰的热能会耗尽，试图蒸发并驱动工厂中的水分燃烧。当燃料含水量低时，火焰更容易发生并迅速传播，因为所有热能直接进入燃烧的火焰本身。
我们的智能野火传感器设备可用于传感器网络，无需消防人员到森林地区实地访问，以收集死燃料样品并手动分类。它也能够预测在100平方米粒度级别的森林中发生野火的可能性。对生物量积累的完美估计可能会极大地阻碍这些火灾蔓延的速度和凶狠程度，从而降低与之斗争的成本并保护家庭和生命。
去年夏天，机器识别并捕获积聚在森林地面上的死燃料的图像，对我们是一个重大挑战。在三个县的消防队的帮助下，我们在最有可能发生火灾的森林中，捕获收集必要的图像来训练机器学习模型。我们计划在今年夏天使用地面和空中无人机进一步测试我们的设备，以在野火易发区捕获更多生物量图像，以进一步提高我们的预测精度。
即使在破坏性的野火中，我们决心防止巨型红杉树遭到破坏。我们决心充分有效地使用高分辨率相机和TensorFlow等可用机器学习工具来精确预测和防止我们最宝贵的性质不可挽回的损失。
閱讀更多 引力空間站 的文章
