利用短波红外成像通过卫星图像和机器学习实现主动野火检测
2025-08-19 来源:恒光智影 点击次数:20本文要点：传统依靠人力监测野火的方法存在范围和效率的局限，而遥感技术的进步为高效全面探测带来新机遇。本研究以澳大利亚东部沃根河谷为研究对象，利用Landsat-8影像和SVM（持向量机）算法实现了活跃火点探测与过火区分类。结果表明，结合短波红外（SWIR）与近红外（NIR）等多光谱波段能有效识别明火和烟雾；通过挖掘Landsat 8独特光谱特征，新构建的归一化火灾指数（NDFI）进一步优化了探测精度。针对数据可用性与模型可解释性等挑战，未来研究需聚焦多源数据融合、机器学习算法优化、实时监测系统开发、模型可解释性提升、无人机技术整合及气候变化影响评估。本研究证实机器学习算法与NDFI等创新指数可显著改进野火探测与管理策略，为提升火灾高风险区域的生命保护和生态系统维护能力提供关键支持。
图1. 研究区域的位置。澳大利亚东部利兹代尔附近的沃根谷，在卫星图像背景上高亮显示
本文的研究集中在澳大利亚东部利兹代尔附近的沃尔根山谷附近，该地区在2019年12月经历了严重的野火活动（图1）。这一事件严重影响了蓝山国家公园、石花园国家公园、沃勒米国家公园以及附近地区。
表1. Landsat-8/OLI信道，用于主动火灾探测算法和30米分辨率的主要应用
本研究提出的森林火灾探测方法采用创新模型，结合支持向量机（SVM）与Landsat卫星影像分析技术。流程包含五个关键步骤：首先通过谷歌地球引擎获取2019年12月火灾事件后一个月的Landsat 8卫星影像数据（时间分辨率16天），采用月度中值合成法处理以降低噪声干扰和异常值影响，清晰呈现火灾后受灾区域。尽管卫星重访周期较长，但Landsat 8的高空间分辨率仍能精细捕捉火灾动态。
为强化验证环节，引入空间分辨率约500米的MODIS月度过火区产品。该数据集提供全面的火灾范围信息，突出显示过火区域，为模型结果提供可靠参照。MODIS数据的应用构建了独立验证层，确保研究结论与主流火灾探测方法一致。为提升时空分辨率，方法中整合了Sentinel-2影像。该卫星具备5天重访周期和10-20米空间分辨率，通过更高频次的成像有效弥补Landsat 8的时间局限性，同时保持精细空间细节（详见表1）。这种双卫星协同机制实现了火灾的及时精准探测。
图2. 本研究的总体方法
在本研究提出的森林火灾探测方法中，首先对Landsat影像进行梯度加权滤波预处理，通过邻域像素加权替换有效降噪，同时精细调节参数以避免火灾边界模糊。未来将探索双边滤波技术，其空间与强度双重考量可更精准保持火场边缘特征。随后采用K均值聚类进行图像分割，通过聚类中心运算划分火烧/未燃区域，但该方法在云雾干扰复杂环境存在局限，故未来拟对比测试基于对象的图像分析（OBIA）和区域生长算法——OBIA通过光谱特征聚合相邻像素形成语义对象，区域生长算法则依据预设标准从种子像素扩展生成连贯区域，二者在异质景观中可能提供更精确的过火区识别。特征提取阶段除获取Landsat-8多波段光谱特征外，创新性构建归一化火灾指数（NDFI），利用短波红外2（Band7）与红光（Band4）波段对火情敏感的特性增强火区与非火区对比度。分类后通过计算查询图像与样本库的欧氏距离实现火情判识，整体流程见图2所示。为突破单一数据局限，方法融合Landsat-8（15-30米空间分辨率）与Sentinel-2（5天重访周期）数据，兼顾高空间分辨率与实时监测需求。该技术框架集成预处理、分割、特征提取、分类与比对等模块，结合支持向量机优化，显著提升火灾探测精度与时效性，为森林火灾动态管理提供新范式。
图3. 2019年12月获取的Landsat-8图像不同特征的光谱剖面分析
光谱特征分析揭示了明火、烟雾及云层在不同波段间的显著差异（图3）。明火在短波红外2波段（Band 7，波长范围2.11-2.29微米）呈现最高反射值，而红光波段（Band 4）反射值最低（图3a），这种独特的光谱特征对火情识别具有重要指示意义。烟雾则展现出相反规律：蓝光波段（Band 1）反射值最高，短波红外2波段（Band 7）反射值最低（图3b），该特征为区分烟雾与其他干扰要素提供了关键依据。云层光谱表现为近红外波段（Band 5）反射值最高，蓝光与短波红外2波段反射值最低（图3c），突显了近红外波段在云层特征辨识中的特殊价值。这些光谱特性差异为精准识别火情要素提供了理论基础，深化相关研究将显著提升遥感技术在环境监测与灾害预警中的决策支持能力。
图4. 陆地卫星8波段主动火灾探测的比较分析显示，不同光谱波段的烟雾和火灾活动强度各不相同
Landsat 8影像的多波段火情对比分析揭示了显著特征：1-5波段均检测到火灾伴生烟雾，其中Band 1（沿海波段）捕获的烟雾浓度最高，明确指示沿海区域存在活跃火点（图4）。6-7波段（短波红外波段）中，活跃火区呈现高亮度特征，反映强烈热异常活动；特别是Band 7能清晰勾勒火区边界，有效提升火点识别精度。值得注意的是，4-5波段（红光与近红外波段）虽烟雾显示较弱，却能突显高强度火烟特征，表明其在识别高强度燃烧区域方面具有独特优势。这些发现证实了多波段协同分析对火灾全面监测的重要性——不同波段通过差异化响应机制，分别揭示了火情动态的特定维度，为精准火灾监测提供多维数据支撑。
图5. Landsat 8 图像显示了波段 1（沿海气溶胶）在澳大利亚野火地区进行烟雾探测的有效性
本研究利用Landsat 8数据探索野火自动检测方案时，重点考察了海岸带气溶胶波段（Band 1，0.43-0.45μm）在烟雾识别中的应用价值，能有效捕捉烟羽细颗粒物特征。通过Band 1影像分析发现，烟雾呈现浑浊弥散斑块形态，与周边地物形成鲜明对比（图5），为烟羽精准识别与轮廓勾勒提供了关键依据。实证研究表明：Band 1兼具光谱敏感性与空间分辨优势，可靠识别烟羽分布，极大提升野火响应时效。
图6. 陆地资源卫星8号图像通过SWIR（波段7和6）和NIR（波段5）的波段组合突出了主动火灾探测，有助于澳大利亚地区及时采取野火干预和缓解策略
接着基于Landsat 8卫星影像开展野火自动检测实证，重点验证了短波红外（7/6波段）与近红外（5波段）组合对活跃火点的识别效能。其中Band 7（2.11-2.29μm）和Band 6（1.56-1.65μm）对火场热辐射高度敏感，其穿透烟尘的独特优势可精准捕获植被燃烧热异常；Band 5（0.85-0.88μm）则通过植被燃烧前后反射率骤降特性（未燃植被近红外反射强，燃烧后显著衰减），有效区分过火与未燃区域。三波段协同分析能精准分离活跃火点像元：当影像中同时出现短波红外高反射（热辐射特征）与近红外低反射（植被燃烧特征）的像元簇时（图6），即可判定为活跃火区。澳大利亚火险区的实证表明，该波段组合可构建火灾自动检测体系，其高频次监测能力为澳洲野火的早期干预与灾情防控提供了关键技术支撑。
图7. 从SVM模型获得的分类图
以澳大利亚沃根河谷为试验区，基于2019年Landsat 8影像数据，实证评估了支持向量机（SVM）野火探测系统的效能。火点识别算法主要利用短波红外Band 7（2.2μm波段）对火场辐射的敏感性：白天时，火点辐射信号与地表太阳反射背景混杂，需借助近红外Band 5协同解译——该波段虽对火点像素响应微弱，却在非火区与短波红外数据保持强相关性；夜间因太阳辐射消失，短波红外波段对火场热辐射的响应显著增强。昼夜数据均表明，活跃火点会在短波红外波段形成相对于背景的辐射/反射异常，其原理类似于中热红外通道的热异常检测。
通过将SVM机器学习算法与卫星影像结合，成功实现沃根河谷区域火灾动态的可视化解析（图7）：系统精准提取出"活跃火点"与"过火区域"两类核心要素，清晰呈现野火空间分布格局与演变趋势。该技术为决策者提供了及时的灾情态势感知能力，显著提升了灾害响应与资源调度的科学性。基于支持向量机的野火探测系统在识别活跃火点区域方面成效显著。该算法通过解析Landsat 8影像中的热异常与烟羽特征，精准勾勒出持续燃烧的野火区域轮廓，为早期预警与动态监测奠定基础，助力应急部门高效调配资源，降低人员伤亡与生态系统风险。同时，SVM算法在过火面积测绘中展现出卓越性能：通过捕捉火灾引发的植被光谱变化规律，分类结果清晰呈现生态受损范围，为灾情评估、栖息地损失测算及生态修复优先区划定提供关键依据。
图8. 根据2019年12月的MODIS燃烧面积月度数据，在沃根谷和周边地区观测到的燃烧面积，突出了蓝山国家公园、石花园国家公园和沃勒米国家公园的火灾足迹
分类结果的空间可视化使野火动态解析更为直观。将分类图与高分辨率底图叠加，可精准定位高危区域，指导决策者优化资源配置并实施定向防控措施。此外，通过对比火灾发生前、中、后期的多时序影像，系统成功追踪火势蔓延轨迹与灾后植被恢复进程（图7、8、9）。特别值得关注的是，本研究采用MODIS月度过火面积产品验证SVM模型精度（图8）。该卫星数据集完整记录了2019年12月火灾影响范围，将其与模型识别结果（图7）进行空间比对，证实了SVM在过火区域检测中具有高度一致性与准确性。
综上，融合支持向量机与Landsat 8影像的技术方案，为沃根河谷等高火险区提供了强有力的监测工具。机器学习算法驱动的卫星数据分析，使决策者能动态掌握野火演变规律，制定前瞻性应对策略。随着遥感技术与机器学习方法的持续革新，野火探测系统的精准度与适用性将不断提升，为增强火灾影响区域的生态韧性提供科技支撑。
图9. Landsat 8图像描绘了活跃的火灾区域，以及使用利用SWIR和红色波段的创新火灾指数生成的图像，展示了火灾探测精度的提高
研究者创新性地探索了火灾指数构建方法，重点利用Landsat 8影像短波红外2（SWIR 2）与红波段的独特光谱特性（公式4）。光谱特征分析表明，活跃火点在短波红外波段呈现反射峰值，而在红波段呈现反射谷值，据此研发的新型归一化火灾指数（NDFI）通过Band 7（SWIR 2）与Band 4（红波段）组合实现对活跃火区的精准识别。该指数计算方式如下：
表2. NDFI、NBR、SVM和FRP在火灾探测和表征中的比较性能指标
在火灾探测与特征分析的横向对比中，归一化火灾指数（NDFI）、归一化燃烧指数（NBR）、支持向量机（SVM）及火辐射功率（FRP）各具优势与局限。SVM凭借最高综合精度与F1分数，彰显其对火区/非火区的高效分类能力；通过多维特征增强，其可适应复杂火情但依赖海量训练数据与算力资源。NDFI则对植被变化及小型火点高度敏感，擅于精细化测绘过火边界，其基于短波红外2与红波段的组合提升探测精度，但受限于卫星中等时间分辨率。NBR依赖近红外与短波红外光谱，在大尺度火烈度评估与灾后植被恢复监测中表现稳健，但对低强度火情识别不足。FRP凭借近实时火点追踪与辐射能量量化能力，在火势动态解析中不可或缺，虽因空间分辨率受限难以捕捉细微火场特征，却为火灾强度评估提供核心数据支撑。综合来看，多方法协同可弥补单一技术缺陷，实现火灾管理策略在时空维度上的优化整合。表2系统呈现了SVM模型与NDFI基于Landsat 8地面实测数据的性能对比结果。
图10. 将模型预测的烧伤面积与官方火灾边界
图10展示了模型对过火区域的检测精度验证结果，该验证通过将模型输出与官方获取的新南威尔士州国家公园与野生动物管理局（NPWS）2019-2020野火季火灾历史数据集（含野火与计划烧除）中的过火边界矢量文件进行比对完成。NPWS数据提供了该时期官方认定的火灾范围边界。如图10所示，模型输出的过火区域与NPWS官方火场边界在视觉对比中呈现高度吻合。图中红色边界代表NPWS记录的官方火灾范围，模型计算结果与之紧密契合，表明其准确描绘了火灾影响区域。该验证证实了模型在野火边界识别方面的可靠性——即使在复杂地形条件下仍保持精确，印证了其在未来野火监测与应急决策中的应用潜力。
本研究开发的基于支持向量机（SVM）的野火探测系统具备多重优势：可实现火情早期预警、过火区精准制图，并为应急响应与决策者提供实时信息。通过融合卫星数据与机器学习算法，利益相关方可深入解析火灾动态，从而采取主动防控措施降低生命财产与生态系统风险。研究还揭示了火点光谱特性：短波红外波段反射值达峰值而红波段呈谷值，据此创新性提出归一化火灾指数（NDFI）。该指数利用Landsat 8短波红外与红波段的独特光谱响应，通过显著反射差异有效划定活跃火区边界。
综上所述，机器学习算法（特别是SVM）将革新野火监测与管理策略。借助人工智能与遥感技术，人类能够提升火灾早期预警能力，减轻灾害影响，为火险区人类与自然生态系统提供更强保障。
参考文献
Singh H, Ang L M, Srivastava S K. Active wildfire detection via satellite imagery and machine learning: An empirical investigation of Australian wildfires[J]. Natural Hazards, 2025: 1-24.
⭐️ ⭐️ ⭐️
动物活体荧光成像系统 - MARS
In Vivo Imaging System
高分辨率 - 定制高分辨大光圈红外镜头，空间分辨率优于3um
荧光寿命 - 分辨率优于 5us
高速采集 - 速度优于1000fps （帧每秒）
多模态系统 - 可扩展X射线辐照、荧光寿命、光声和光热成像、原位成像光谱，CT等
显微镜 - 高分辨显微成像系统，兼容成像型光谱仪
⭐️ ⭐️ ⭐️
恒光智影
上海恒光智影医疗科技有限公司，被评为“国家高新技术企业”，“上海市专精特新中小企业”，荣获“科技部重大仪器专项立项项目”，上海市“科技创新行动计划”科学仪器领域立项单位。
恒光智影，致力于为生物医学、临床前和临床应用等相关领域的研究提供先进的、一体化的成像解决方案。
专注动物活体成像技术，成像范围覆盖 400-1700 nm，同时可整合CT, X-ray，超声，光声，光热成像等技术。
可为肿瘤药理、神经药理、心血管药理、大分子药代动力学等一系列学科的科研人员提供清晰的成像效果，为用户提供前沿的生物医药与科学仪器服务。