AI从太空侦测野火 抢在失控前预警

7月20日，德国公司OroraTech的一颗卫星在加州阿伯丁附近（金斯峡谷国家公园以东）探测到一个热点。这是"岩石大火"的首次发现，该火灾促使当地疏散和道路封闭，并在炎热多风的条件下蔓延至超过12000英亩，最终被消防员扑灭。

岩石大火是OroraTech的OTC-P1星座归功的少数几次首次发现案例之一，且这一数字正在增长。该星座属于新一代卫星，专门为探测和监测野火而研发。这些卫星的出现正值气候变化导致野火愈发频繁和猛烈之际。早期发现通常有助于消防机构在潜在破坏性火灾蔓延失控之前将其控制住。长期以来，卫星一直用于探测偏远地区的火情，如今它们将在早期预警中发挥更大作用，与传统的火情瞭望塔、地面摄像头以及民众报警电话形成互补。

从太空探测野火并非易事。正如人工瞭望员可能漏看新的火情或将扬尘误判为烟雾一样，用于识别卫星数据中火情的探测算法也可能遗漏小型或阴燃火灾，还可能被阳光反射和工业排放所迷惑。要提高遥感野火探测的准确性和及时性，既需要专用传感器，也需要稳健的算法，研究人员正日益转向机器学习来增强后者的能力。

如今的野火卫星建立在近半个世纪的技术积累之上。1980年，杰夫·多齐尔和迈克尔·马特森在美国国家海洋和大气管理局（NOAA）共事时，从NOAA-6卫星的辐射计图像中识别出微小的亮点——来自中东油井的天然气火炬。次年，多齐尔发表了一种识别卫星数据中高温区域的数学方法，这成为大多数经典探测算法的基础。

当植被燃烧时，释放的部分能量以红外辐射的形式呈现。燃烧区域释放的辐射远多于周围区域，尤其是在中波波段。在卫星图像中，包含燃烧区域的像素会记录到"亮度温度"的升高，这是衡量来自某源头的电磁能量强度的指标。最早的野火探测算法对亮度温度数据使用固定阈值来识别可能的火情，但这些算法很快被"情境化"算法取代，后者会根据当地条件调整阈值，以弥补区域和季节性的辐射差异。已知热点（如天然气火炬和钢铁厂）的全球数据库有助于过滤误报。

NASA工程师利用NOAA-6卫星的经验，设计了后续用于从太空探测火情的仪器，包括NASA的中分辨率成像光谱仪和可见光红外成像辐射仪套件，这些仪器部署在近地轨道卫星上，通常每天多次经过同一地点。作为补充，NOAA的地球静止业务环境卫星（GOES）以较粗的分辨率提供持续更新。

专为早期野火探测打造的新一代卫星

像SpaceX于7月为加州非营利组织地球火焰联盟（EFA）发射的三颗卫星这样的专用野火卫星，其火情探测能力得到了进一步优化。EFA的"FireSat"配备了一套多波段传感器，包括两个对中波红外波段敏感的传感器，其中一个经过衰减处理，以便更好地探测可能使其他传感器饱和的极高温火情。该套件还包括用于可见光、近红外以及短波和长波红外辐射的传感器，使消防管理人员能够准确描绘火情整个生命周期中的完整温度特征。

迈克尔·法尔科夫斯基从NASA加入地球火焰联盟，此前他曾担任该机构野地火灾项目的项目经理，并领导其火灾感知项目。

该联盟的最终目标是到2030年代部署超过50颗近地轨道卫星，届时将能够以20分钟的间隔对全球任何地点进行成像。与NASA可见光红外成像辐射仪套件500米的平均图像分辨率相比，EFA卫星80米的分辨率将使其能够探测到比传统卫星小得多的火情——最小可达约25平方米，相当于一个标准集装箱的大小。

"几十年来，从太空看，我们对这些小型火情几乎一无所知，我们很可能严重低估了全球过火面积总量以及火灾产生的碳排放总量，因为我们没有掌握这些小型火情的位置，"EFA首席科学家迈克尔·法尔科夫斯基说。"我们系统能实现的功能之一，就是捕捉这些小型火情，更频繁地观测它们，这不仅能改善消防作业，还能推进全球火灾科学研究。"

EFA目前正与几家早期采用者合作，帮助完善其数据产品和交付机制；计划从明年起向消防机构和科研人员更广泛地提供这些产品。据法尔科夫斯基介绍，其首批三颗投入运行的卫星会将获取的图像传输至专用地面站，随后上传至云端进行处理并交付给最终用户，整个过程从头到尾大约需要20分钟。他表示，EFA的下一批卫星将能够通过星链（Starlink）将图像传输至任何地面节点，进一步缩短交付时间。

机器学习如何增强轨道野火探测能力

由于EFA希望将FireSat数据分发给任何有正当需求的用户，其卫星图像既可用于经典火情探测算法，也可用于近年来在复杂视觉任务中日益流行的新型机器学习方法。该联盟已与谷歌研究院建立合作，支持新探测算法的开发。这些算法将利用AI将实时的FireSat数据与同一地点的历史图像进行比对，以探测小型火情，同时将误报率降至最低。

OroraTech表示，其一颗野火卫星在地面消防摄像头无法覆盖的区域率先探测到了岩石大火。

OroraTech与EFA建立了合作关系，以扩大非政府组织获取野火数据的渠道，该公司目前除经典探测算法外，也已在使用AI模型。其卫星上搭载的处理能力使公司能够快速探测火情，在完整图像传输之前，先将新探测到的关键信息下载至地面站。"对我们而言，尽可能快至关重要——我们说的是分钟级的速度，"OroraTech数据工程团队负责人迪马·拉什科维茨基表示。"根据与多家客户的沟通，我们了解到，一小时后才收到的信息对于第一响应者来说几乎毫无用处。"

拉什科维茨基表示，OroraTech采用监督式机器学习开发其火情探测模型，这需要在用于训练模型的图像中手动标注火情。"起初，我们优先考虑精确度，因此我们希望确保，如果我们判定某处是火情，那它确实是火情，即使这样做有时会漏掉一些较小的火情，"他说。此后公司不断迭代，直到能够可靠地探测到更多小型火情，同时还将机器学习模型压缩到足以在其卫星上安装的英伟达Jetson Xavier NX GPU模块上运行。

拉什科维茨基表示，与经典探测算法相比，AI能更容易地纳入天气和场地历史等情境信息，从而降低误报率。即便如此，所有火情探测都存在一定程度的不确定性，各消防机构对此的处理方式也各不相同。

"不同客户漏报火情所付出的代价各不相同，"他解释道，一些机构宁愿处理误报，也不愿冒漏报火情的风险，而另一些机构则根本没有资源去追查每一次警报，包括偶尔出现的误报。OroraTech通过为其探测结果制定置信度评分来管理这些不同的预期，该评分基于其AI模型的置信度，以及火灾天气指数、植被数据和探测结果的持续性等因素。拉什科维茨基表示，用户会逐渐对这些置信度评分形成"直觉"，并可据此过滤通知。

他补充道，最重要的是，OroraTech努力就置信度评分的推导过程做到尽可能透明，他认为这对建立人们对该技术的信任至关重要。

"信任是所有与遥感相关的事务中的一个主要问题，尤其是在AI领域也是如此，"他说。"人们理应不愿仅凭一个黑箱做出决策。"

Q&A

Q1：EFA的FireSat卫星与传统卫星相比有什么优势？

A：FireSat配备多波段传感器，图像分辨率达80米，能探测到约25平方米的小型火情，而NASA传统卫星分辨率为500米，无法发现如此小的火灾，且FireSat可实现20分钟间隔的重复观测。

Q2：AI如何帮助卫星更准确地探测野火？

A：AI模型通过监督式机器学习训练，能结合天气、植被数据和历史图像等情境信息，降低误报率，同时保留对小型火情的探测能力，并为每次探测生成置信度评分供用户参考。

Q3：卫星探测到野火后，数据多久能传递给消防人员？

A：以OroraTech为例，卫星探测到火情后，关键信息会先于完整图像下载至地面站，整个从探测到数据交付的流程大约需要20分钟，未来通过星链传输还能进一步缩短时间。