基于Sentinel-2影像与移动友好型CNN架构的森林火灾检测比较分析及其生态健康意义

本研究系统比较了九种卷积神经网络（CNN）架构在Sentinel-2卫星影像森林火灾检测中的性能，涵盖传统（AlexNet、VGG）、先进（ResNet、Inception-v3）及轻量化（MobileNet、EfficientNet）模型。研究通过多维度指标（准确率、F1-score、FLOPs等）验证了MobileNetV2在资源受限环境中的优越性，为实时火灾监测系统提供了兼顾精度与效率的解决方案，对生态环境保护与公共卫生安全具有重要实践价值。

　　

Highlight

本研究通过综合评估九种CNN架构在Sentinel-2卫星影像中的火灾检测性能，揭示了模型在精度与效率间的显著差异。先进模型如ResNet-101虽达到99%的准确率，但计算需求高昂；而轻量化模型MobileNetV2以0.99的F1-score和仅300M FLOPs的算力需求，成为资源受限场景的理想选择。研究特别强调了短波红外（SWIR）波段对火灾特征提取的关键作用，并通过Mann-Whitney U检验验证了模型性能的统计学显著性。

Discussion

本研究对比了九种CNN架构在森林火灾检测任务中的表现，重点关注精度、效率与部署可行性的平衡。高级模型（如ResNet-101）虽具有优异的精度与召回率，但计算负担较重；而MobileNetV2凭借高精度与低资源消耗的特性，展现出在实时应用中的巨大潜力。这些发现既证实了Sentinel-2卫星SWIR波段在火灾检测中的价值，也揭示了模型精度与计算成本之间的权衡关系。研究结果强调了多光谱数据（尤其是SWIR波段）在区分火灾与其他热源中的不可替代性，并为不同应用场景下的模型选择提供了实践指导。尽管本研究局限于单一生态区域与时间段，但其方法论为后续跨地域、跨季节的泛化研究奠定了基础。通过将先进机器学习技术与卫星遥感能力相结合，本研究为资源受限环境下的火灾监测提供了一条可扩展的技术路径。

Conclusion

本研究评估了九种CNN架构在Sentinel-2影像火灾检测中的表现，重点关注精度、计算效率与资源适配性的平衡。结果表明：高级架构虽具有强大的特征提取能力，但计算成本较高；而轻量化模型（如MobileNetV2）在保持高精度的同时显著降低资源需求，特别适合边缘计算设备部署。研究结果强调了多光谱数据（尤其是SWIR波段）在火灾检测中的核心作用，并为不同资源条件与精度要求的场景提供了模型选择依据。未来工作将拓展时空范围以验证模型的泛化能力，推动CNN在环境监测领域的实用化进程。

CRediT authorship contribution statement

Judith Leo: 文稿审阅与可视化指导

Cesilia Mambile: 原始文稿撰写、可视化、方法论设计、形式化分析与概念化

Shubi Kaijage: 文稿审阅、研究指导、方法论优化与数据管理

Ethical Statement for Solid-State Ionics

本人Cesilia Mambile郑重声明：

1. 1.
   本研究成果为作者原创且未曾在其他场合发表；
2. 2.
   本文未同时投递至其他出版机构；
3. 3.
   论文真实完整地反映了作者的研究与分析；
4. 4.
   论文内容

Declaration of Competing Interest

致编辑：

我们正式声明所有作者不存在可能影响本研究结果的已知财务利益冲突或个人关系。

7. Acknowledgement

本研究由加拿大国际发展研究中心（IDRC）与瑞典国际开发合作署（SIDA）联合资助的"非洲人工智能发展计划"支持，由非洲农业能力建设论坛（RUFORUM）联合西非气候变化与适应性土地利用科学服务中心（WASCAL）及AKADEMIYA2063共同组织实施（项目编号：IDRC-SIDA-RUFORUM/WASCAL/A2063-IRG/202）。