基于多模态卫星影像与深度学习的增强型野火蔓延预测模型APAU-Net研究

本研究针对传统野火蔓延预测模型在动态气象条件和复杂地形下精度不足的问题，通过整合NDWS数据集的气象预报与地形特征，开发了融合Atrous Spatial Pyramid Convolution（ASPC）和注意力机制的APAU-Net模型。实验表明，该模型在64×64分辨率下F1 Score达0.720，mIoU为0.635，显著优于现有方法，为实时野火风险管理提供了高效工具。

　　

野火是全球生态系统最严峻的威胁之一，气候变化加剧导致其频率和强度持续攀升。传统预测方法如加拿大森林火灾行为预测系统（CFFBPS）依赖经验公式，难以捕捉气象、地形与植被的非线性交互作用。尽管Next Day Wildfire Spread（NDWS）数据集为深度学习模型提供了基准，但其缺乏关键气象预报变量（如风速、降水）和地形参数（坡度、坡向），限制了实时预测能力。如何整合多源异构数据并提升模型对动态火场的适应性，成为当前研究的核心挑战。

针对这一难题，Universiti Brunei Darussalam的研究团队提出两项创新：首先扩展NDWS数据集至2024年，新增6类预报与地形特征；其次设计Atrous Pyramid Attention U-Net（APAU-Net）架构，通过ASPC模块的多尺度空洞卷积与注意力机制协同优化特征提取。关键技术包括：1）融合64×64分辨率的多模态卫星数据；2）采用自定义损失函数解决火场像素不平衡问题；3）利用Integrated Gradients（IG）进行特征归因分析。

研究结果

1. 模型性能对比：在增强版NDWS上，APAU-Net在64×64分辨率下mIoU达0.635，较原版数据集提升7.8%，证明气象与地形特征的整合显著提升预测精度。32×32分辨率场景中仍保持0.605的mIoU，显示模型对分辨率降低的鲁棒性。
2. 消融实验：移除气象预报组导致F1 Score下降21.3%，证实风速、温度等动态变量对火势预测的关键作用。地形特征缺失则使边界定位误差增加18.7%，凸显坡度、坡向对火蔓延方向的影响。
3. 计算效率：APAU-Net训练耗时较传统U-Net缩短37%，得益于ASPC模块的并行化特征提取策略，满足实时预测需求。

结论与意义
该研究通过数据增强与架构创新双重路径，首次实现气象预报与地形特征的端到端融合预测。APAU-Net的ASPC-注意力协同机制有效捕捉火场多尺度特征，其IG解释性模块为应急决策提供可视化依据。成果发表于《Remote Sensing Applications: Society and Environment》，不仅为野火管理提供可部署的AI工具，更为多模态遥感数据的深度学习应用树立新范式。未来可扩展至全球其他火险高发区，推动智慧防灾技术的发展。