《Remote Sensing of Environment》：GUARD-net: A geostationary satellite-based network for near-real-time active fire detection under class imbalance
编辑推荐：
•提出了一种名为GUARD-Net的算法，用于在严重类别不平衡的情况下进行近实时主动火情检测。•除了光谱和空间数据外，地形信息对于火情检测的鲁棒性也是不可或缺的。•一种硬件驱动的火情检测（HWDA）策略提高了模型在不同地区和卫星平台间的迁移能力。•该模型在极端不平衡比例（高达1:
- •
提出了一种名为GUARD-Net的算法，用于在严重类别不平衡的情况下进行近实时主动火情检测。
- •
除了光谱和空间数据外，地形信息对于火情检测的鲁棒性也是不可或缺的。
- •
一种硬件驱动的火情检测（HWDA）策略提高了模型在不同地区和卫星平台间的迁移能力。
- •
该模型在极端不平衡比例（高达1:1000）下仍能实现F1分数>0.77、PR-AUC>0.86和MICE>0.71。
- •
在目标数据有限的情况下，跨域适应仍可实现高达0.955的无监督F1分数和0.989的监督F1分数。
引言
野火——定义为发生在非计划烧除区域的野地中的火灾——已成为一个日益严重的全球性挑战，对陆地生态系统造成广泛破坏，并加速了生物多样性的丧失（Bowman等人，2020年；FAO，1986年；Kelly等人，2020年；Kumar等人，2025年）。与野火相关的生物质燃烧会释放大量气溶胶和温室气体，扰乱全球碳循环并加剧气候反馈机制（Gao等人，2021年；van der Werf等人，2017年）。由于人为气候变化的影响，野火的频率和严重程度在全球范围内加剧，大大增加了极端火灾年份的发生概率（Abatzoglou等人，2025年；Cunningham等人，2024年）。特别是在中国和美国等主要地区（Huang等人，2024年；Liu等人，2024年）、复杂的山地和高山生物群落（Gerberding和Schirpke，2025年）以及气候脆弱的亚洲亚热带森林（Haydar等人，2025年），野火的影响尤为严重。这些日益加剧的环境压力凸显了迫切需要有效的近实时卫星监测系统来实现快速火情检测和早期预警。
卫星遥感凭借其广泛的空间覆盖范围和近乎连续的观测能力，已成为大规模野火监测不可或缺的工具（Mallinis等人，2018年；Szpakowski和Jensen，2019年；Yang等人，2024年）。然而，基于固定阈值的传统火情检测方法在复杂且不断变化的环境条件下常常表现不佳（Dozier，1981年；Schroeder等人，2008b）。深度学习的最新进展——特别是卷积神经网络（CNN）——在从多光谱卫星观测中检测火情方面展现出了巨大潜力（Aarich等人，2024年；Jain等人，2020年）。随着对实时野火监测需求的增加，人们的关注点从极轨传感器（如中分辨率成像光谱辐射计MODIS（Andela等人，2019年；Justice等人，2002年）转向了高频地球静止卫星，包括Himawari-8/9和GOES-16（Bessho等人，2016年；NOAA，2025年）。尽管这些平台提供了快速的更新，但从地球静止传感器获得的地火产品通常误报率较高，这凸显了需要有更鲁棒的检测算法的必要性（Chen等人，2023年）。因此，最近的研究已经超越了传统的机器学习方法（Jang等人，2019年；Lee等人，2023年），转向了整合光谱、空间、时间和环境特征（如土地覆盖和太阳几何形态）的深度CNN架构（Kang等人，2022年；Kang等人，2023年）。
尽管有这些改进，但在基于卫星的主动火情检测中，地形的作用往往被简化或仅限于静态风险建模。虽然地形因素（海拔、坡度、朝向）是静态火情易感性和概率映射（Haydar等人，2024年；Mishra等人，2024年）或火灾后扩散动态（Radford等人，2024年）的已知环境驱动因素，但它们在实时热检测中的物理机制需要明确定义。在主动火情监测中，地形可以改变卫星红外观测中表示的背景表面温度和光照模式。具体来说，海拔与系统性的背景表面温度和亮度-温度（BT）梯度相关，这可能会干扰上下文检测算法（Sung等人，2024年）。正如Sung等人（2024年）所展示的，未校正的海拔变化会在局部上下文窗口内引入人为的BT异质性，在温暖的低地引发白天误报，或在凉爽的高地掩盖微弱的火情。此外，局部坡度和朝向决定了昼夜太阳辐射负荷，其中面向赤道的陡峭坡面会吸收更高的太阳辐照度，从而提高表面温度并模仿燃烧热异常。因此，结合地形信息可以提供物理上可解释的上下文，有助于区分与地形和光照相关的热变化与燃烧相关的异常。
整合丰富的环境和地形特征可以提高检测准确性，但同时也为模型在不同地区和传感器间的泛化带来了挑战。迁移学习（TL）提供了一种方法，通过利用在特征明确的源域中学到的知识并将其适应到相关目标域来解决这个问题（Pan和Yang，2010年；Weiss等人，2016年）。在这个背景下，领域适应（DA）旨在减少由于领域差异（如地理、气候或传感器相关变化导致的数据分布差异）而引起的性能下降。DA已广泛应用于遥感领域，例如在不同地区之间转移土地覆盖分类模型（Liang和Wang，2023年；Tuia等人，2016年；Wang等人，2022年）。在野火检测中，强烈的地理异质性和传感器特定特性可能导致显著的领域差异（Li等人，2024年），使得DA特别相关。
然而，仍存在几个挑战。首先，尽管通常包括土地覆盖和太阳几何形态等环境变量，但地形特征常常被忽视，这限制了模型甚至在单个区域内的性能（Haydar等人，2024年；Mishra等人，2024年；Sung等人，2024年）。其次，野火的偶发性导致极端的类别不平衡，其中火情样本仅占所有观测数据的一小部分。虽然这种极端不平衡会偏置模型训练并降低对罕见火情的敏感性（Diaconu，2023年；Nie等人，2025年），但在人工平衡的比例下训练的传统CNN（Hong等人，2022年）或使用标准分类损失进行优化的CNN在操作上不平衡的条件下可能会表现出严重的精确度-召回率权衡。第三，使用特定区域地形特征训练的模型在应用于新区域时经常表现不佳，这是由于特征分布的变化。许多已建立的无监督领域适应（UDA）方法在全球范围内或特定网络层中对学习到的表示进行对齐。当异构的遥感输入经历不同的领域变化时，仅进行全局对齐可能无法解决属性特定差异，并可能导致跨领域类别重叠（Tuia等人，2016年）。因此，解决领域变化而不破坏异构特征的独特物理约束仍然是一个重大挑战。为应对这些挑战，本研究开发了GUARD-Net（一种基于地球静止卫星的实时主动火情检测网络），这是一种针对具体任务的CNN框架，用于从地球静止卫星观测中进行近实时主动火情检测。其目标是：（1）使用海拔和坡度/朝向组件表示与地形相关的背景亮度-温度变化；（2）通过使用以像素为中心的上下文分类和焦点损失来减少大量易识别负样本的影响；（3）引入HWDA，它结合了深度特征对齐和光谱、空间及地形表示的属性特定对齐。标准的CNN和焦点损失组件并非全新提出；其贡献在于它们与地形上下文和HWDA在评估的地球静止卫星火情检测环境中的特定任务集成。
章节摘录
研究区域
三个研究区域涵盖了不同的气候和地形条件（图1）。研究区域A包括中国西南部的云南省和贵州省，以复杂的山地地形和高气候多样性为特征。研究区域B覆盖了中国东北部的黑龙江省、吉林省和辽宁省，那里的景观主要是低海拔平原，具有湿润的温带气候。研究区域C是美国西部的加利福尼亚州，该地区表现出强烈的
方法
本研究整合了来自Himawari-8/9和GOES-16卫星图像的多源数据集，这些数据集结合了光谱、空间和地形特征以及数字高程模型（DEM）。所有数据集按6:2:2的比例分为训练集、验证集和测试集，并用于训练所提出的GUARD-Net框架。一个基于土地覆盖的后处理步骤用于减少模型输出中的误报。通过消融实验进一步评估了模型的性能和迁移能力
GUARD-Net的准确性评估
图6总结了GUARD-Net在三个研究区域的性能。总体性能一直很高，所有评估指标在每个区域都超过了0.91。在这三个区域中，基于研究区域B训练的GUARD-Net表现最佳（准确性=0.999，召回率=0.979，精确度=1.000，F1分数=0.989，PR-AUC=1.000，MICE=0.989）。然而，基于研究区域C训练的GUARD-Net表现相对较低，但仍然很稳健（准确性=0.998
地形因素和样本不平衡对GUARD-Net性能的影响
与仅依赖热红外波段或大气变量的传统主动火情检测算法不同，本研究明确地将DEM衍生的地形信息（即海拔、坡度和朝向）嵌入到检测框架中。在实时卫星火情检测中，地形特征用于表征基线热环境和表面辐射动态。具体来说，海拔为与高度相关的背景BT梯度提供了上下文
结论
本研究表明，地形信息可以提高基于地球静止卫星的主动火情检测的准确性，并且极端的样本不平衡显著影响模型性能。为了解决这些挑战，我们开发了GUARD-Net，这是一个整合了光谱、空间和地形特征的深度学习框架。在评估的研究区域中，最高报告的指标为F1=0.989，PR-AUC=1.000，MICE=0.989。此外，全场景
CRediT作者贡献声明
陈俊杰：撰写——原始草稿，可视化，验证，软件，方法论，调查，正式分析，数据管理，概念化。林俊浩：撰写——审阅与编辑，验证。赵英辉：监督，方法论。甄珍：撰写——审阅与编辑，验证，项目管理，正式分析，概念化。杨光：撰写——审阅与编辑，资源管理，项目管理，数据管理。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本工作得到了中国国家重点研发计划（项目编号：2023YFC3006900）和黑龙江省重点研发计划（项目编号：GZ20250112）的支持。
陈俊杰|林俊浩|赵英辉|甄珍|杨光
