利用基于比特币挖矿的虚拟储能框架实现电压恢复，构建具备量子加速技术的数字孪生模型，以增强智能电力系统的网络韧性，抵御虚假数据注入的网络攻击 作者：Ehsan Naderi

《Electronics》：Quantum-Accelerated Digital Twins for Cyber-Resilient Smart Power Systems Against False Data Injection Cyberattacks Using Bitcoin-Mining-Based Virtual Energy Storage Framework for Voltage Restoration Ehsan Naderi

　　摘要 随着气候变化，森林和草地火灾变得越来越严重，对生态系统和人类安全构成了重大威胁。由于复杂的时空动态和异构数据源，使用遥感数据进行准确的野火预测仍然具有挑战性。为了解决这个问题，本研究提出了一个混合深度学习框架，该框架结合了U-Net和注意力增强的双向长短期记忆网络（AUBLSTM），利用多源遥感和气象数据进行时空野火预测。U-Net用于空间特征提取，而AUBLSTM通过注意力机制捕捉时间依赖性并改进火灾蔓延模型。采用编码器-解码器架构来增强多尺度特征表示，并结合气象约束以提高物理一致性。实验结果表明，所提出的模型优于基线方法，包括卷积长短期记忆（ConvLSTM）和全连接网络，在MSE、RRMSE、PSNR、SSIM、IoU和F1分数方面取得了更好的性能。该框架高效、可扩展，适用于电子监控和早期预警系统的部署，为将多源数据整合到野火监测应用中提供了实用的解决方案。

1. 引言
在全球气候变化加速和极端天气事件日益频繁的背景下，森林和草地火灾对自然资源的可持续管理以及人类生命和财产构成了严重威胁。随着人工智能的进步，近年来利用多源遥感数据进行火灾蔓延场景选择和烧毁面积预测的深度学习模型的应用已成为主要研究焦点。目前该领域的研究主要依赖于最小旅行时间（MTT）算法、ArcGIS Pro（版本3.1，Esri，美国加利福尼亚州雷德兰兹）及相关模块来解释遥感数据的时空特征，或使用元胞自动机和长短期记忆（LSTM）网络来模拟野火蔓延。然而，Papadopoulos的研究方法通常需要模拟大量的大气参数和高维环境输入，导致建模过程中的计算需求很大[1]。
在深度学习领域，FIDN（Fire-Image-DenseNet）模型为土地管理者和消防服务提供了快速响应野火的宝贵工具，从而减轻环境影响。同样，2D到3D的MSCNN模型通过彻底探索图像特征之间的内在关系并在空间-光谱域进行超分辨率处理来利用原始特征信息。通过消除传统的降维步骤，它生成了更直观的特征表示，显著提高了分类准确性，并在土地利用制图方面实现了质的飞跃。
为了进一步提高深度学习模型在时间序列预测任务中的性能——特别是考虑到野火事件的动态和演变特性——最近的研究越来越强调时间建模机制的整合和预测框架适应性的改进。在这项研究中，我们提出了一个名为注意力增强双向长短期记忆网络（AUBLSTM）的新深度学习框架，该框架使用大量多源遥感卫星数据进行训练。该模型利用历史野火蔓延记录以及气象和环境变量作为输入来进行火灾进展的时间序列预测。此外，使用标记数据集对烧毁区域发生的灾害类型进行限制，最终的烧毁面积概率图基于火灾事件发生前24至48小时的输入卫星数据。
输入特征包括风速和方向、降水量以及后处理的地形和土地覆盖数据。实验的目标是预测最大烧毁区域的时空范围，从而为野火早期预警、资源分配和应急响应规划提供科学依据。该模型最初使用美国西南部（例如亚利桑那州、佛罗里达州、爱达荷州和蒙大拿州）的最新野火数据进行预训练，随后在中国四个不同地区的典型森林和草地火灾案例上进行了测试。与使用循环神经网络（RNNs）的传统基于回归的预测模型[2]不同，AUBLSTM提出了更高的性能要求。它不仅需要大量的高分辨率野火数据，还需要适应各种景观中的不同燃料类型和植被密度。与最新的MTT方法（FlamMap v6.2 Fire Lab，美国农业部林业局，蒙大拿州米苏拉）和FIDN模型相比，所提出的AUBLSTM框架在几个评估指标上表现出更好的性能：峰值信噪比（PSNR）提高了约9%，而相对均方根误差（RRMSE）降低了约33.6%。
本文的其余部分组织如下：第2节介绍AUB数据集，详细说明其来源、结构、预处理工作流程和模型训练方法。第3节和第4节展示并分析实验结果。第5节总结研究的主要创新点，讨论其优点和局限性，并提出未来研究的方向。

2. 材料与方法
在本节中，我们将介绍研究区域数据、元素神经网络、AUBLSTM模型结构以及评估中的模块指标。尽管深度学习在野火预测方面取得了进展，但现有方法仍存在一些局限性。传统的物理模型（例如MTT）依赖于简化的火灾蔓延假设，并需要大量的大气参数，导致计算成本高且对不同燃料类型的适应性有限。循环神经网络（如ConvLSTM）能够捕捉时间动态，但由于其单向或浅层架构，在处理长距离依赖性和多尺度空间特征时遇到困难。纯卷积方法（如U-Net）在空间特征提取方面表现出色，但缺乏显式的时间建模，通常需要后处理或单独的时间模块。此外，大多数现有模型要么忽略多源异构数据融合（例如气象、地形和土地覆盖），要么通过简单的串联来处理，未能利用跨模态交互。所提出的AUBLSTM通过结合注意力增强的U-Net进行空间特征提取和双向LSTM进行全序列时间建模，以及专门的多波段融合策略来保留高分辨率和低分辨率输入。

2.1. 研究区域和数据管理
在中国研究区域数据集中，我们收集了中国资源卫星数据与应用中心（CRESDA，北京）提供的GaoFen系列第1号卫星（GF-1）宽视场（WFV）遥感图像，涵盖四个地区：内蒙古自治区呼伦贝尔市（2017年）；山西省晋中市榆山县（2020年）；四川省凉山 prefecture 米安县（2021年）；云南省玉溪市江川区（2023年）。
上述研究区域的图像经过了辐射校正、大气校正和正射校正等预处理。接下来，计算了火灾事件前后整体的图像光谱指数，并使用多波段数据计算了烧毁面积指数（BAI）和归一化差异植被指数（NDVI）[3]。
灾害的最大范围由dBAI方法定义，矩形文件使用BAI范围作为掩膜进行裁剪。BAI和dBAI波段的公式分别表示为（1）和（2）：
（1）
（2）
dBAI指数是通过火灾前后的BAI值之差计算得出的。对于每个火灾事件，火灾前的图像选择为报告点火日期前30天内最近的无云采集图像。火灾后的图像选择为报告控制日期后至少15天的第一个无云采集图像，以确保烧伤痕迹已经稳定。通过应用Otsu自动阈值方法对dBAI直方图生成二值烧毁区域掩膜。四个测试案例的具体Otsu阈值分别在表1和表2中报告。

表1. MultiRS-Fire数据集波段规格及相应的Kaggle数据集图像尺寸（宽度、高度）。
表2. 该表涉及中国四个省份的实验区域，并展示了在预测模型中对火灾事件的研究有限。
为了使用dBAI计算，至少需要两张图像；例如，从大兴安岭地区不同日期收集的五张遥感图像生成了四张预处理的矩形dBAI单波段图像。GF-1标记的图像文件格式中的Band（1）和Band（4）用于NDVI。NDVI的波段公式表示为（3）：
（3）
在火灾事件中，水平和垂直分布影响总热量释放、热量向相邻燃料元素的传递效率、水分含量以及氧气向燃烧区的传递[4]。我们发现土地利用和土地覆盖（LULC）数据以及DEM数据在火灾行为、燃料分布和人类活动方面表现良好。这一独特特征使多波段融合策略能够更好地训练神经网络模型并分析燃料的关键尺度参数。
为了更好地预训练和验证深度模型在研究区域的泛化能力，我们添加了四种类型的气象应用程序编程接口（APIs，由Open-Meteo服务提供）作为中间输入数据源，用于基于ASTER-V3的高分辨率波段和Sentinel-2（欧洲航天局（ESA），巴黎，法国）的LULC数据的神经网络模型的低分辨率融合波段。

2.1.1. MultiRS-Fire和Kaggle数据集匹配
在研究区域数据保存之前，通过TS-satfire打开了Kaggle数据集，其中包含了2017年1月至2021年10月美国野火事件活动检测任务的额外手动标签。这些卫星图像数据来自四个1B级别的VIIRS卫星产品（NASA/NOAA的VIIRS数据）；日本东京的ASTER GDEMV3，地理空间信息局；瑞士苏黎世的Open-Meteo API（访问方式为Day Month Year，例如forecast_specific_humidity波段和wind_speed波段），并通过双线性插值重新采样到375米分辨率。在统一这些数据格式后，我们将它们设置为MultiRS-Fire数据集。
由于数据集中野火事件的总数相对较少，只有180个（美国、澳大利亚和欧洲）火灾事件可用于训练模块。通过将训练集中的张量旋转90度和180度来进行数据增强，从而增强时间和区域内的相应地理和气象数据。由于模型设计了双向长短期记忆功能，因此通过仿射变换操作进行的数据增强将不再考虑张量反转。此外，我们将每个波段的预训练图像与开源Kaggle数据集中的图像进行了匹配，如下表1所示。
简而言之，所有数据需要1TB的存储空间，使用阿里云对象存储服务（Alibaba Cloud Object Storage Service，中国杭州）可以轻松实现云应用程序上的数据连接和导入。

2.1.2. 多源空间分辨率差异分析
本研究中的多源遥感和气象数据集成涉及显著的空间尺度不匹配。GF-1 WFV光学图像的原始分辨率为16米，而VIIRS活动火灾产品和气象再分析数据（例如风速、温度和降水量）的分辨率分别为375米和大约2.2公里。为了评估将这些低分辨率输入重新采样到目标16米网格的影响，我们进行了一个受控的退化-重建实验。
一组16米GF-1图像块覆盖了均匀森林和异质森林-草地边界，分别使用像素平均聚合到375米和2.2公里分辨率，然后通过双线性插值重新采样回16米。使用平均绝对误差（MAE）和光谱角度映射器（SAM）将重建的块与原始16米数据进行了比较。对于均匀森林冠层，MAE保持在0.02反射单位以下，SAM保持在0.05弧度以下，表明低分辨率输入保留了温度、湿度和风场的广泛空间趋势。对于异质边界像素，MAE增加到大约0.08，反映了在尖锐土地覆盖过渡处重新采样粗略数据时的混合像素效应。
鉴于气象变量主要作为上下文标量来告知BiLSTM分支的时间动态——而不是作为细尺度火灾蔓延的像素级预测器——观察到的重采样误差对于当前的建模目标是可以接受的。双线性插值的气象场提供了空间对齐的粗尺度环境背景，使得注意力机制能够在不需要显式物理降级的情况下识别天气驱动的时间模式。这种方法在计算可行性与保持大尺度气象驱动信号之间取得了平衡。

2.1.3. GaoFen卫星中的多资源波段和图像
预训练集包括736个增强后的野火事件。从Kaggle数据集中提取了具有不同时间特征的所有火灾数据点，其中20%的数据被手动标记并留作验证使用。如表1所示，使用GDAL（版本3.8.4，开源地理空间基金会，美国伊利诺伊州芝加哥）或Rasterio（版本1.3.10，Mapbox，美国华盛顿特区）处理了八个光谱带，随后进行了主成分分析。每个事件被构建成形状为（波段数、天数、宽度、高度）的张量，通常格式化为（8, D, 512, 512），并依次输入到预训练流程中。关键波段——例如Kaggle数据集中的“af”（活跃火灾）波段和MultiRS-Fire数据集中的“dBAI”波段——被转换为大小为（512, 512）的加权二维数组。预训练数据集通过包含来自Kaggle火灾档案的10,647张每日图像样本得到了增强，如图1中美国地区的示例所示。在最终确定神经网络架构之前，我们使用了传统的特征融合方法进行了初步实验。例如，FireGAN采用U形网络来融合可见光和红外波段[5]，而特征融合模块（FFM）通过通道级注意力机制改进了跨尺度特征集成[6]。受这些方法的启发，我们通过嵌入中国传统文化元素来定制Kaggle数据集，并进一步改进了MultiRS数据集。数据增强技术——如在固定坐标系内旋转图像——被应用于增加数据集的多样性。结果表明，平衡模型复杂性和简洁性是提高遥感任务中AI性能的一种建设性设计理念。图1. Kaggle预训练数据在美国的分布情况。我们使用了基于Windows的软件ArcGIS Pro（版本3.4，Esri，美国加利福尼亚州雷德兰兹）来定位和标记中国境内的指定研究区域，从而确保从GDEMV3和Sentinel-2数据集派生的输入图像中的兴趣点（POIs）准确对齐。为了提高空间精度，我们通过Web Map Tile Service（WMTS）手动整合了来自天地图API的高分辨率基础地图，并结合了官方政府机构划定的火灾边界。使用这些权威来源仔细绘制了四个火灾事件区域。GDEMV3（全球数字高程模型第3版）是由日本地理空间信息局提供的高分辨率数字高程数据集，其空间分辨率约为30米，覆盖了全球陆地面积。Sentinel-2是由欧洲航天局（ESA）作为哥白尼计划的一部分开发的地球观测卫星系列，提供具有高空间、时间和光谱分辨率的多光谱图像。每张Sentinel-2图像包含从可见光到短波红外的13个光谱带，空间分辨率根据波段不同分别为10米、20米和60米。活跃火灾映射的基本步骤如图2所示，而每个火灾事件的实际最大燃烧区域在图2下方进行了总结，以便清晰查看。这些划定的火灾区域是我们提出的模型在复制真实世界火灾蔓延模式方面的空间准确性和有效性评估的基础。对于所有研究区域，火灾蔓延情况各不相同；有些火灾在两天后呈扇形向一个方向蔓延，有些则可能沿着山脉腰部连续蔓延，然后向另一个方向缓慢蔓延直至停止。为了避免数据增强过程中的冗余，经过团队讨论后，模型所需的所有训练数据输入都采用了原始数据，并将图像相对于数据集的坐标系顺时针旋转了90度和180度。AUBLSTM研究框架将在下一节中介绍。图2. 中国四个研究区域的地理位置和遥感图像。(a) 内蒙古自治区呼伦贝尔市毕拉河火灾（2017年5月；大致位于北纬49.2°，东经120.5°）。该地区以温带草原和落叶松林为主。(b) 四川省凉山彝族自治州米宁县森林火灾（2021年4月；大致位于北纬28.5°，东经102.2°）。这个山区地形陡峭，有混合的针叶林和阔叶林。(c) 云南省玉溪市江川区火灾事件（2023年4月；大致位于北纬24.4°，东经102.8°）。该地区以亚热带常绿阔叶林和农业镶嵌景观为特征。(d) 山西省晋中市森林火灾（2020年3月；大致位于北纬37.4°，东经112.4°）。地形由黄土丘陵和温带落叶林组成。2.2. 研究框架：AUBLSTM提出的AUBLSTM模型旨在通过增强深度学习技术，准确预测野火事件最大燃烧区域内的土地覆盖类型分布和组成。该实验框架由及时有效的野火预测策略驱动，旨在排除人为干预的影响后确定火灾蔓延的最终范围和位置。这使得能够在灾难发展过程中尽早采取紧急响应措施，如灭火以及人员和财产的疏散。AUBLSTM结合了残差和多头交叉注意力机制的特征融合能力与双向时间预测网络，实现了最终燃烧区域的高分辨率预测。这种方法利用历史卫星观测的火灾蔓延过程及相关环境数据来提高模型的学习效率。它特别针对中国的四个代表性野火案例进行了评估。该模型解决了多源遥感数据的高维性和复杂性带来的挑战——例如，传统可见光图像对细微表面异常的敏感度有限，可能导致温度表示不准确。最终，该模型有助于更全面的野火预防、控制策略和资源分配。AUBLSTM架构采用了受原始Transformer模型设计启发的编码器-解码器框架[7]。编码器对预处理后的输入（包括野火图像和相关环境光谱带）进行循环多特征表示学习，压缩数据以保留关键信息（如多日活跃火灾像素模式），同时过滤掉噪声和不相关内容。这确保了最相关的时空特征得以保留。然后解码器使用BiLSTM结构重建高分辨率预测，有效缓解了由序列化扁平输入和不完整特征带表示引起的长距离依赖性问题。通过结合这种编码器-解码器策略，AUBLSTM不仅通过带有注意力机制的U-Net主干网络改进了特征提取，还显著提升了时间学习能力。这种设计使模型能够同时捕捉复杂的时间动态和空间相关性，提高了对野火蔓延模式的预测准确性。我们注意到，所提出的AUBLSTM架构以顺序方式处理空间和时间特征。这种设计选择有意将空间编码（U-Net）与时间聚合（Attention-BiLSTM）分离。虽然这种方法没有模拟真正的时空卷积（例如3D ConvNets或具有全状态传递的ConvLSTM），但在计算效率和模块化方面具有显著优势。2.3. 原始网络本节将简要描述所提出的AUBLSTM网络每个组件的历史来源和参考文献。通过自适应组合关键结构层和剪除冗余网络层，获得了易于初始参数调整的AUBLSTM。AUBLSTM模型通过两种互补机制实现时空建模：(1) 带有注意力门的U-Net编码器-解码器，用于多尺度空间特征提取；(2) 双向LSTM（BiLSTM），它可以在正向和反向扫描时间序列。BiLSTM作为全向扫描机制：每个时间步的隐藏状态都受到过去和未来上下文的影响，使模型能够捕捉火灾蔓延中的长距离依赖性——当火灾蔓延是非马尔可夫的或受到延迟气象效应影响时，这是关键要求。在模型复杂性方面，编码器由四个下采样块组成，每个块包含两个3×3卷积层。解码器通过上采样和跳跃连接复制了这种结构。BiLSTM层在每个方向上有32个单元，每个时间步产生64维的隐藏状态。可训练参数的总数约为820万，与标准的3D-CNN或视频Transformer模型相比适中。这种设计在表示能力和计算成本之间取得了平衡，适合用于操作预警系统的部署。2.3.1. 注意力（机制）在自然语言处理（NLP）领域，GPT模型是注意力机制最突出的应用之一。它通过在编码和解码阶段优化word2vec方法来增强传统的循环神经网络。Vaswani引入了依赖上下文的注意力权重；GPT显著提高了语言生成的流畅性和连贯性，使输出更符合自然人类表达[7]。在医学领域，研究人员经常结合双向注意力门来改进U-Net架构的输出，例如Hu的研究[8]和医学图像计算的进步[9]。这些机制使模型能够通过加权编码器和解码器路径的特征图来选择性地关注显著区域。通过抑制无关背景噪声并增强目标相关特征，双向注意力门显著提高了分割精度。类似地，在大地测量和遥感领域，注意力机制也展示了巨大的潜力。例如，HMANet引入了一种基于注意力的新框架，集成了类增强注意力（CAA）、类通道注意力（CCA）和区域随机注意力（RSA）模块。这些模块使模型能够适应性地捕捉空间、通道和类别维度上的全局依赖性，从而提高了遥感图像的语义分割性能[10]。2.3.2. 新设计的U-NetU-Net架构最初是为生物医学图像分割开发的，由于其能够有效捕捉局部和全局特征，已在各个领域得到广泛应用。它由一个收缩路径（编码器）和一个对称扩展路径（解码器）组成，前者捕获上下文信息，后者实现精确的空间定位。Ronneberger的编码器-解码器设计促进了多尺度特征学习，同时保持了空间分辨率[11]，这使得U-Net特别适合需要细粒度分割的任务。例如，在使用Photoshop等图像编辑工具从黄色背景中提取玉米穗的任务中，传统的基于颜色的方法常常会无意中去除关键对象细节。通过在多个尺度上复制图像并应用边缘检测，可以实现更准确和高效的对象提取。这种多层次、特征驱动的方法与U-Net的编码器-解码器架构类似，强调了低级和高级特征表示的重要性。但是Niu的研究[10]通过引入经典的编码器-解码器结构，有效地修改和扩展了全卷积网络（FCN）在U-net中的应用。编码器逐步下采样输入图像以提取多尺度特征，而解码器通过连续的上采样层恢复空间细节。这种架构使网络能够保留丰富的上下文语义并提高分割精度。然而，U-Net主要关注局部特征表示，可能难以捕捉长距离依赖性。此外，在下采样阶段可能会丢失有价值的信息，从而限制分割性能。这些限制促使了如AUBLSTM这样的增强架构的发展，其目标是保留空间和时间信息，并改进全局特征整合。通过结合先进的注意力机制和双向时间建模，AUBLSTM解决了U-Net的缺点，特别是在涉及动态或复杂场景的应用中实现了更准确和上下文感知的分割。2.3.3. 插入BiLSTM循环神经网络（RNN）的设计基于这样一个原理：人工神经网络（ANN）的输出不仅可以依赖于当前输入，还可以依赖于之前时间步的信息。为了解决传统RNN中的梯度消失和短期记忆等问题，引入了长短期记忆（LSTM）网络。在Fang的文章[12]中，LSTM是RNN的一种高级变体，它包含一个存储长期信息的记忆单元，并使用门控机制来控制信息流。LSTM架构包括三个门——输入门、遗忘门和输出门——以及一个单元状态更新层，如图3所示。每个门作为ANN组件，负责确定每个时间步应保留、更新或丢弃哪些信息，如Chen的工作[13]中所示。通过Qi研究[14]中的机制，LSTM有效地维护了两种类型的记忆：短期记忆（捕获在隐藏状态中）和长期记忆（保存在单元状态中）。图3展示了LSTM模型的结构示意图。σ表示Sigmoid激活函数，tanh表示双曲正切，f表示遗忘门、输入门和输出门，h表示单元状态，c表示隐藏状态，x表示输入，y表示之前的隐藏状态。运算符×和+分别表示元素间的乘法和加法。此外，传统的LSTM网络在序列建模方面存在一个显著的局限性——它们本质上是单向的，因此无法同时捕获来自过去和未来的时间步的上下文信息。为了克服这一点，双向长短期记忆（BiLSTM）网络作为标准LSTM的扩展被开发出来。BiLSTM利用了原始LSTM的门控机制，并结合了两个平行的LSTM层：一个层以正向处理输入序列，另一个层以反向处理。Wan的研究[15]表明，这两个层的输出随后被连接或以其他方式整合，这使得模型能够捕获全面的双向时间依赖性。这种双重处理机制使BiLSTM能够更好地理解复杂的长距离依赖性，这对于建模与灾害相关的事件中的序列模式特别有价值。该过程不断迭代，直到目标火灾事件的预测误差收敛到可接受的水平。通过同时考虑历史和未来的上下文信息，BiLSTM增强了模型学习复杂时间关系的能力。BiLSTM的整体结构如图4所示，其数学表述如Liu的研究[16]中所述：图4展示了BiLSTM模型的结构示意图。虚线框代表正向和反向LSTM层；右箭头表示正向时间流，左箭头表示反向时间流。x(t)表示时间t的输入；h(t)、c(t)和y(t)分别表示正向和反向隐藏状态；输出y(t)是通过这些门更新的。Sigmoid激活函数表示为σ，W表示权重矩阵，b表示门偏置项。x(t)和y(t)分别表示时间t的正向和反向隐藏状态。输出y(t)是通过连接正向和反向隐藏状态，然后进行权重矩阵W和偏置项b的线性变换计算得到的。在遥感领域，卷积神经网络（CNN）与LSTM（如ConvLSTM）的集成在预测时空模式方面表现出了强大的性能。例如，Shi[17]成功将ConvLSTM网络应用于降水预报。这些模型通过卷积输入张量并保持三维结构（通常通过Hadamard乘积操作和填充）来保留空间信息。这种方法使模型能够处理高维输入，同时保持空间分辨率，非常适合预测降水、土地退化和野火等复杂动态系统。这种能力对于分析具有复杂时间动态的遥感数据特别有益，如土地利用变化监测或气象灾害的演变。通过更准确地识别关键的空间-时间模式，基于BiLSTM的模型克服了传统单向LSTM架构的局限性，为下游任务（如遥感图像分类和目标检测）提供了增强的时间序列建模能力。

近年来，基于深度学习的语义分割取得了显著进展，并已广泛应用于目标检测和图像检索。代表性模型包括U-Net[11]（Zhang等人，2020a）、UNet++[18]（Zhou等人，2020）和Attention U-Net[19]，这些都是对原始U-Net架构的改进。这些模型在复杂条件下分割小目标时特别有效，尤其是在训练数据有限的场景中。与传统卷积方法相比，软注意力和硬注意力机制的集成进一步提高了U-Net在检测和分割任务中的性能[20]。双向长短期记忆（BiLSTM）网络通过向前和向后两个方向处理输入序列，从而捕获更全面的时间依赖性，扩展了传统LSTM的能力。这种结构使得端到端的序列到序列预测成为可能，其中输入和输出都是序列——这在语义分割和自然语言翻译等任务中很常见。在这项研究中，我们应用了类似的概念：输入是一个图像序列，输出同样是一个空间结构化的预测，允许模型在统一的框架中学习空间和时间特征。此外，所提出的模型架构有效地减少了信息冗余，遵循“压缩等同于预测”的原则。这种视角提供了一种通过数据压缩来模拟和解释森林和草地火灾动态的新方法。具体来说，预测最大燃烧区域的任务受到了图像分割方法的启发。遥感图像中的燃烧区域通常呈现不规则的形状和独特的光谱特征，颜色范围从棕绿色到灰棕色。在正常情况下，森林区域表现出明显的光谱变化。然而，由于标记的遥感数据稀缺，传统模型难以实现稳健的性能。为了解决这一挑战，我们提出了一个针对基于遥感的火灾映射的新型Attention U-Net双向长短期记忆（AUBLSTM）模型。该模型将多尺度卷积层、自适应池化模块、注意力加权块和BiLSTM单元集成到统一的U-Net和Attention U-Net框架中。AUBLSTM架构旨在增强对受野火影响区域的空间模式和时间依赖性的学习，从而在标注数据有限的背景下提高预测准确性和泛化能力。编码器由四个下采样层组成，用于提取深度的全局语义信息，如图5所示；解码器由四个上采样层组成，执行卷积和反卷积操作，将编码器的下采样信息合并以获得区域语义特征。为了提高模型的分割精度，在模型的特征交叉连接部分引入了注意力机制，以增强其对前景元素的响应并减少对无关背景像素的响应。然后使用双向长短期记忆网络整合特征的上下文语义信息。最后，该模型像TARDB-Net[21]一样，使用Sigmoid激活函数输出最大受影响区域的概率。完整的AUBLSTM模型的结构密度如图6所示（张量深度遵循张量[8, D, W, H]中的八个波段）。图5展示了AUBLSTM编码器输入波段融合的构造细节。不同颜色代表不同的输入波段和处理路径：蓝色代表Conv + ReLU层，橙色代表Max-pooling层，绿色代表注意力门控信号。图6展示了AUBLSTM的编码器和解码器的结构。输入4表示4个火灾和环境波段在张量深度上的集中。虚线表示直接传输到解码器的编码器特征；实线（来自4个环境波段）表示经过BiLSTM处理后到达解码器的特征。特征提取模块基于U-Net编码器架构，负责从八个光谱通道的各种输入类型中提取特征图。注意力机制和U-Net学习表明，这些特征随后通过注意力门（AG）模块传递，然后输入到U-Net解码器[22]中。最后，解码器的输出连接到双向长短期记忆（BiLSTM）网络，以整合深度的时空特征。最终预测是通过组装一系列多帧（512 × 512）图像并通过Sigmoid激活函数生成的，保持原始的时间输入顺序。

在遥感领域，卷积神经网络（CNN）与LSTM（如ConvLSTM）的集成在预测时空模式方面表现出强大的性能。例如，Shi[17]成功将ConvLSTM网络应用于降水预报。这些模型通过卷积输入张量并保持三维结构（通常通过Hadamard乘积操作和填充）来保留空间信息。这种方法使模型能够处理高维输入，同时保持空间分辨率，非常适合预测降水、土地退化和野火等复杂动态系统。这种能力对于分析具有复杂时间动态的遥感数据特别有益，如土地利用变化监测或气象灾害的演变。通过更准确地识别关键的空间-时间模式，基于BiLSTM的模型克服了传统单向LSTM架构的局限性，为下游任务（如遥感图像分类和目标检测）提供了增强的时间序列建模能力。

2.4. Att-Unet-BilLSTM（AUBLSTM）
近年来，基于深度学习的语义分割取得了显著进展，并已广泛应用于目标检测和图像检索。代表性模型包括U-Net[11]（Zhang等人，2020a）、UNet++[18]（Zhou等人，2020）和Attention U-Net[19]，这些都是对原始U-Net架构的改进。这些模型在复杂条件下分割小目标时特别有效，尤其是在训练数据有限的场景中。与传统的卷积方法相比，软注意力和硬注意力机制的集成进一步提高了U-Net在检测和分割任务中的性能[20]。双向长短期记忆（BiLSTM）网络通过向前和向后两个方向处理输入序列，从而捕获更全面的时间依赖性。这种结构使得端到端的序列到序列预测成为可能，其中输入和输出都是序列——这在语义分割和自然语言翻译等任务中很常见。在这项研究中，我们应用了类似的概念：输入是一个图像序列，输出同样是一个空间结构化的预测，允许模型在统一的框架中学习空间和时间特征。此外，所提出的模型架构有效地减少了信息冗余，遵循“压缩等同于预测”的原则。这种视角提供了一种通过数据压缩来模拟和解释森林和草地火灾动态的新方法。具体来说，预测最大燃烧区域的任务受到了图像分割方法的启发。遥感图像中的燃烧区域通常呈现不规则的形状和独特的光谱特征，颜色范围从棕绿色到灰棕色。在正常情况下，森林区域表现出明显的光谱变化。然而，由于标记的遥感数据稀缺，传统模型难以实现稳健的性能。为了解决这一挑战，我们提出了一个针对基于遥感的火灾映射的新型Attention U-Net双向长短期记忆（AUBLSTM）模型。该模型将多尺度卷积层、自适应池化模块、注意力加权块和BiLSTM单元集成到统一的U-Net和Attention U-Net框架中。AUBLSTM架构旨在增强对受野火影响区域的空间模式和时间依赖性的学习，从而在标注数据有限的背景下提高预测准确性和泛化能力。编码器由四个下采样层组成，用于提取深度的全局语义信息，如图5所示；解码器由四个上采样层组成，执行卷积和反卷积操作，合并编码器的下采样信息以获得区域语义特征。为了提高所提模型的分割精度，在模型的特征交叉连接部分引入了注意力机制，以增强其对前景元素的响应并减少对无关背景像素的响应。然后使用双向长短期记忆网络整合特征的上下文语义信息。最后，该模型像TARDB-Net[21]一样，使用Sigmoid激活函数输出最大受影响区域的概率。完整的AUBLSTM模型的结构密度如图6所示（张量深度遵循张量[8, D, W, H]中的八个波段）。图5展示了AUBLSTM编码器输入波段融合的构造细节。不同颜色代表不同的输入波段和处理路径：蓝色代表Conv + ReLU层，橙色代表Max-pooling层，绿色代表注意力门控信号。图6展示了AUBLSTM的编码器和解码器的结构。输入4表示4个火灾和环境波段在张量深度上的集中。虚线表示直接传输到解码器的编码器特征，不需要经过BiLSTM；实线（来自4个环境波段）表示经过BiLSTM处理后到达解码器的特征。特征提取模块基于U-Net编码器架构，负责从八个光谱通道的各种输入类型中提取特征图。注意力机制和U-Net学习表明，这些特征随后通过注意力门（AG）模块传递，然后输入到U-Net解码器[22]中。最后，解码器的输出连接到双向长短期记忆（BiLSTM）网络，以整合深度的时空特征。最终预测是通过组装一系列多帧（512 × 512）图像并通过Sigmoid激活函数生成的，保持原始的时间输入顺序。在编码器阶段，每一层应用两个连续的3 × 3卷积操作，每个操作后跟随一个ReLU激活函数。通过两个2 × 2最大池化层进行下采样。在每个下采样步骤中，特征通道的数量翻倍，使网络能够捕获越来越抽象的空间和语义信息。解码器阶段执行上采样操作以重建空间分辨率。每个解码块由一个连接层和两个3 × 3卷积层组成，逐步将特征通道的数量减半。每个卷积操作后跟随一个ReLU激活函数。在Yu的研究[23]中，采用了对称的跳过连接结构来连接编码器和解码器路径，并包含注意力门以增强特征选择。在上采样过程中，前一层解码器的特征图与相应的编码器输出通过Nava[24]的AG模块融合。AG处理来自两个来源的空间和上下文信息，以生成一个注意力加权的连接，如图6所示。将注意力门控网络（AGNs）集成到U-Net框架中，使模型能够更有效地关注燃烧区域特征区域，从而提高火灾特征提取的准确性和鲁棒性。通过引入注意力机制，U-Net架构得到了增强，能够更有效地提取空间特征并在光谱带之间分配重要性。为了捕捉火灾演变的时间动态并分析整个火灾事件中的最大燃烧条件，Guo提出了一个集成到解码器模块中的双向长短期记忆（BiLSTM）网络[25]。图7展示了所提出的加性注意力门（AG）网络的示意图。图7显示了注意力门（AG）中的元素密集特征和功能。“前一层”代表来自编码器的门控信号g（例如，一个较粗的特征图）；“相应层”代表来自解码器跳过连接的输入特征。实线箭头表示数据的前向流动。黄色层表示重采样处理，输出后的元素乘法是连接层，绿色箭头是门控信号。由于中国四个研究区域的高分辨率图像中存在大量无关和冗余区域，研究团队在将数据输入AUBLSTM模型之前应用了NDVI计算和dBAI分析。使用掩蔽技术提取燃烧区域，并将其裁剪成一系列按时间顺序排列的图像块，尺寸为（波段，天数，512，512）。预训练数据集包含10,647个每日观测值，而MultiRS数据集中的样本数量由四个研究区域的有效场景数量动态确定。预处理后的图像输入通常每个案例包含7到20个时间场景。

2.5. 损失函数和评估指标
为了直观评估AUBLSTM模型在预测像素级燃烧区域和受影响土地覆盖类型比例方面的优势和局限性，采用了一组标准评估指标：均方误差（MSE）、相对均方根误差（RRMSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）。这些指标客观地评估了预测图像的质量，并反映了与实际火灾影响区域相比的燃烧结构的差异。为了方便表示和评估燃烧区域的像素格式的一致性，提出了以下公式[26]。(i, j)是图像中（高度，宽度）大小的像素坐标。(i, j)处的燃烧面积的真实情况由卫星在d天观测到。是一个二进制数，表示d天时像素(i, j)处的燃烧信息。预测的燃烧状态（即预测模型的输出）表示为y。1. 均方误差（MSE）：均方误差衡量估计值和实际值之间的平均平方差异，是一个长期建立的用于评估图像[27]和物理场[28]相似性的指标。MSE公式如公式(12)所示：2. 相对均方根误差（RRMSE）：均方根误差（RMSE）是MSE的平方根，而相对均方根误差（RRMSE）是RMSE的无量纲形式。公式如公式(13)所示：3. 峰值信噪比（PSNR）：与SSIM相比，这个指标计算速度快，可以提供一个全局误差基准，适用于火灾系统早期预警评估参考。峰值信噪比在公式(14)中定义：其中max_value是最终燃烧区域的最大值。与MSE（Sara等人，2019年）[29]相比，PSNR也能够提供基于感知的误差，该指标以分贝（dB）为单位进行测量。4. 结构相似性（SSIM）：结构相似性是衡量两张图像之间相似性的一个指标。数值越接近1，表示与参考图像的相似度越高（Wang等人，2004年）[30]。通过分离诸如灾害亮度值等结构信息，它与人类视觉系统（HVS）更加一致。模型结构的保真度信息得到了补充；SSIM公式如方程（15）所示：(15) 其中表示x和y的均值和方差，表示x和y的协方差，和是用于位置稳定性的常数系数。根据Sara等人（2019年）的研究，SSIM能够提供基于感知的误差，而MSE仅估计绝对误差[26]。5. 交并比（IoU）：IoU衡量预测燃烧区域与真实区域之间的重叠程度。其定义为：(16) 6. F1分数（Dice系数）：F1分数是精确度和召回率的调和平均值，提供了对分割准确性的平衡衡量：(17) 此外，我们使用了AUBLSTM最大计数区域来确保模型在第1至第4个实验区域内像素的准确预测。对于模型训练，采用了二元交叉熵（BCE）损失函数。在评估时，我们关注MSE、PSNR和SSIM，因为它们直接衡量了像素级别的误差和结构相似性，避免了依赖于阈值的分类指标[31]。选择这四个评估指标——MSE、RRMSE、PSNR和SSIM——是出于互补的原因。MSE量化了像素级的绝对误差，在图像回归任务中广泛使用。RRMSE提供了一个标准化的误差度量，便于比较不同规模的火灾事件。PSNR反映了峰值信噪比，这与人类对重建质量的感知相关，并且对于近实时预警系统在计算上高效。SSIM评估了结构相似性，捕捉了纯基于误差的指标可能忽略的燃烧区域的空间连贯性。这些指标共同平衡了误差大小、感知质量和结构保真度，提供了对时空 wildfire 预测的全面评估。2.6. 模型配置和超参数调整神经网络模型在训练过程中经常面临欠拟合和过拟合的挑战[32]。因此，仔细选择超参数对于确保最佳模型性能和获得高质量结果至关重要。为了确定最佳超参数配置，进行了广泛的实验来微调各种设置。结果表明，使用学习率为0.001和批量大小为10的Adam优化器产生了最有利的结果。下面介绍了实验中使用的硬件和软件配置。实验环境：Linux；系统版本：Ubuntu 22.04（Canonical Ltd.，伦敦，英国），兼容PyTorch（版本2.3.0，Meta AI，Menlo Park，CA，美国）+ CUDA（版本12.1，NVIDIA Corporation，Santa Clara，CA，美国）；计算机配置：8核CPU（32 GB），100 GB SSD；GPU配置：Nvidia RTX 3090 24 GB或V100S 32 GB（NVIDIA GeForce RTX 3090或V100S，NVIDIA Corporation，Santa Clara，CA，美国）；实验平台：阿里云DSW（数据科学工作坊）（AI云IDE）；资源规格：超过4vCPU和16 GB RAM；对象存储服务（OSS）配置：1 TB。模型结构中也预留了一个基于不确定性的损失加权机制，尽管在当前实验中未激活。所有模型都在一致条件下进行训练和评估，以确保公平比较。训练数据集包括增强的Kaggle FirePred数据集（2017-2021年间美国180起野火事件的10,647个每日样本）。验证集和测试集包含了Kaggle数据的20%以及来自中国的四个独立高分辨率火灾事件（GF-1卫星数据，如表2所列）。评估指标包括均方误差（MSE）、相对均方根误差（RRMSE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）和交并比（IoU）以及F1分数（Dice系数）。关键超参数在表3中总结。基线方法（ConvLSTM、FIDN、MTT）按照其原始出版物或标准实现进行配置。表3显示了AUBLSTM的超参数调整。AUBLSTM的计算成本从参数数量、FLOPs和运行时间方面进行了评估。对于一个形状为（八波段、天数、512 × 512）的输入张量，该模型需要大约820万个可训练参数。编码器-解码器U-Net占760万个参数（主要由3 × 3卷积组成），而BiLSTM贡献了60万个参数。在NVIDIA RTX 3090 GPU上处理单个512 × 512 × 10序列需要0.47秒（包括数据加载和后处理）。在增强的Kaggle数据集（10,647个样本）上训练100个周期大约需要6.2小时。与ConvLSTM（910万个参数，每次推理0.53秒）相比，AUBLSTM由于高效的U-Net下采样和没有循环卷积而稍微快一些。MTT（FlamMap）物理模型虽然无参数，但在标准CPU上进行单次模拟需要5到10分钟，这使得深度学习方法更适合早期预警。表4提供了详细的计算复杂性比较。3. 结果本节分析了提出的AUBLSTM模型在使用Kaggle野火测试数据集和高分辨率卫星数据集预测最大燃烧面积方面的性能。AUBLSTM的性能与两个最先进的模型FIDN [26]（Bo Pang等人，2025年）和MTT [33,34,35]进行了比较。如第2节所述，AUBLSTM模型是在2017年至2021年间发生在美国多个州的180起野火事件的历史燃烧面积数据上训练的。将大气变量和与这些地区相关的地理特征作为模型输入。模型性能使用训练数据集的20%验证部分以及同一时期由高分辨率GF-1卫星图像捕获的四个独立野火案例进行了评估。这里以2017年呼伦贝尔地区的野火为例进行了实验结果展示。图8展示了训练周期中模型准确性的变化。所有模型的性能在训练过程中稳步提高。对于验证集，FIDN在大约第25个周期时达到一个较小的准确性峰值，之后损失开始下降，准确性稳定在大约0.90。尽管训练指标继续改善，但验证性能基本保持稳定，仅有小幅提升。相比之下，AUBLSTM模型在仅仅30个周期后就开始收敛到大约0.90的准确性，显示出比ConvLSTM更快的收敛速度。此外，FIDN在训练期间的波动较大，而AUBLSTM的收敛行为更为稳定。图8。(a) FIDN、ConvLSTM和AUBLSTM的准确性。(b) Adam、Adade和SGD的损失调整。在定量性能方面，提出的AUBLSTM模型在所有比较的深度学习模型中实现了最低的均方误差（MSE）和相对均方根误差（RRMSE）。具体来说，AUBLSTM将MSE降低了大约15%，与FIDN相比降低了22%，与ConvLSTM相比降低了22%。关于结构相似性指数（SSIM），AUBLSTM达到了0.91的中位数值，这与FlamMap（MTT）相当，略高于FIDN（0.89）。尽管存在这些差异，AUBLSTM在预测准确性和计算效率之间提供了平衡的折中。虽然在某些指标上表现稍低，但它显著降低了与训练相关的计算成本，为大规模火灾蔓延预测任务提供了实用的解决方案。除了上述的图像相似性指标外，我们还使用特定于分割的指标进一步评估了AUBLSTM，即交并比（IoU）和F1分数（Dice系数）。由于以下原因，这些指标没有在基线模型（FIDN、ConvLSTM和MTT）中报告。FIDN和ConvLSTM主要设计为连续回归框架，输出的是软概率图而不是离散的二进制掩码；应用依赖于阈值的分割指标需要后处理二值化，这不在它们的原生推理流程中。FlamMap（MTT）作为一个基于物理的火灾行为模拟器，根据燃料和天气输入生成确定性的火灾边界，并且不需要额外校准即可进行IoU/F1评估。相比之下，AUBLSTM明确地为燃烧区域划定而设计，具有激活Sigmoid的输出层，直接产生二进制预测掩码。因此，IoU和F1分数提供了对模型在划定火灾边界方面的空间精确度的更真实评估，补充了连续误差指标。我们进一步结合地理信息（如相应生态区内的森林和草地分布）分析了模型输出，以解释模型的决策策略并评估其处理燃料相关信息（即可燃与不可燃植被）的能力。根据最终观察到的燃烧面积，火灾事件被分为三类——一大类（编号3）、两类中等（编号1和编号4）和一类小（编号2）。其中，选择了呼伦贝尔市的一个代表性的大规模火灾事件作为案例研究，因为其在测试集中的燃烧面积较大且持续时间较长。图9显示了模型准确性的变化。所有模型的性能在训练过程中稳步提高。对于验证集，FIDN在大约第25个周期时达到一个较小的准确性峰值，之后损失开始下降，准确性稳定在大约0.90。在50个周期后，尽管训练指标继续改善，但验证性能基本保持稳定，仅有微小的提升。相比之下，AUBLSTM模型在仅仅30个周期后就开始收敛到大约0.90的准确性，显示出比ConvLSTM更快的收敛速度。此外，FIDN在训练期间的波动较大，而AUBLSTM的收敛行为更为稳定。图8。(a) FIDN、ConvLSTM和AUBLSTM的准确性。(b) Adam、Adade和SGD的损失调整。在定量性能方面，提出的AUBLSTM模型在所有比较的深度学习模型中实现了最低的均方误差（MSE）和相对均方根误差（RRMSE）。具体来说，AUBLSTM将MSE降低了大约15%，与FIDN相比降低了22%，与ConvLSTM相比降低了22%。关于结构相似性指数（SSIM），AUBLSTM达到了0.91的中位数值，与FlamMap（MTT）相当，略高于FIDN（0.89）。尽管存在这些差异，AUBLSTM在预测准确性和计算效率之间提供了平衡的折中。虽然它在某些指标上的表现略低，但它显著降低了与训练相关的计算成本，为大规模火灾蔓延预测任务提供了实用的解决方案。除了上述的图像相似性指标外，我们还使用特定于分割的指标进一步评估了AUBLSTM，即交并比（IoU）和F1分数（Dice系数）。由于以下原因，这些指标没有在基线模型（FIDN、ConvLSTM和MTT）中报告。FIDN和ConvLSTM主要设计为连续回归框架，输出的是软概率图而不是离散的二进制掩码；应用依赖于阈值的分割指标需要进行后处理的二值化，这不在它们的原生推理流程中。FlamMap（MTT）作为一个基于物理的火灾行为模拟器，根据燃料和天气输入生成确定性的火灾边界，并且不产生适合IoU/F1评估的概率输出。相比之下，AUBLSTM明确为燃烧区域划定而设计，具有激活Sigmoid的输出层，直接产生二进制预测掩码。因此，IoU和F1分数提供了对模型在划定火灾边界方面的空间精确度的更真实评估。我们进一步结合地理信息（如相应生态区内的森林和草地分布）分析了模型输出，以解释模型的决策策略并评估其处理燃料相关信息（即可燃与不可燃植被）的能力。火灾事件根据最终观察到的燃烧面积被分为三类——一大类（编号3）、两类中等（编号1和编号4）和一类小（编号2）。其中，选择了呼伦贝尔市的一个代表性的大规模火灾事件作为案例研究，因为其在测试集中的燃烧面积较大且持续时间较长。图9显示了使用(a) AUBLSTM、(b) ConvLSTM、(c) FIDN和(d) MTT映射的正确像素预测区域，展示了在同一地理环境和气象条件下AUBLSTM模型与FIDN、ConvLSTM和FlamMap（MTT）模型的性能比较。此外，所有模型在编号1案例（最具代表性的大规模火灾）上的定量比较总结在表A1（附录A）中。提出的AUBLSTM在所有指标上均取得了最佳分数，与深度学习基线相比，MSE显著降低了大约15%到22%，SSIM与基于物理的FlamMap模拟器相当。这些数值结果证实了AUBLSTM在捕捉燃烧区域的像素级准确性和结构保真度方面的平衡性能。4. 讨论团队进一步结合地理信息（例如，相应生态区内的森林和草地分布）分析了模型输出，以解释模型的决策策略并评估其处理燃料类型信息（可燃与不可燃）的能力。根据观察到的最终燃烧面积，火灾事件被分为三类——大、中和小。为了详细检查，选择了呼伦贝尔市的一个代表性的大规模火灾事件，因为其在测试集中的规模和持续时间较长。我们强调，本研究中呈现的所有实验都是使用存档的卫星图像和天气再分析数据进行的回顾性（回溯）分析。该模型尚未在操作环境中部署，以实时接收预测天气数据来预测未来的火灾蔓延。结果显示，ConvLSTM和FlamMap（MTT）在小规模火灾场景中表现特别好。然而，对于七天的山西火灾，ConvLSTM大大高估了燃烧面积，主要是因为它依赖于准确的火灾持续时间输入。相比之下，MTT算法在这种情况下提供了非常精确的预测，同时在模拟时间少于六分钟的情况下获得了最高的SSIM分数。通过可视化注意力权重向量与气象时间序列，我们观察到模型一致地赋予相对湿度突然下降和风速增加的时间步骤更高的权重——这些是火灾快速增长的先兆。这为注意力机制提供了事后物理依据。实验评估了FIDN、ConvLSTM、Conv-BiLSTM和提出的AUBLSTM（见表5中的AUBLSTM结果）。结果表明，将气象API和土地利用数据整合到火灾分类中增强了火灾事件的监测和解释，提高了应急规划的预测准确性。虽然Conv-BiLSTM在时间序列数据上的表现相当，但在高分辨率图像方面落后于AUBLSTM。FIDN的整体性能接近AUBLSTM，收敛更快，误差校正更强。统计评估显示AUBLSTM在不同火灾规模上的适应性，尽管对于小规模事件的误差仍然较高。表5显示了AUBLSTM在中国实验区域的中位数四分位数范围（IQR）。此外，最近在遥感图像分析方面的进展引入了几种基于注意力和变压器的机制，这些机制对野火预测非常相关。例如，Rao的工作[36]提出了一种基于图的交互式变压器，用于火灾重新识别，可以增强不连续卫星场景之间燃烧区域映射的时间一致性。同样，苗的研究[37]表明，将引导注意力与快速傅里叶变换相结合，通过捕捉周期性气象模式，显著提高了易发生火灾地区的预测准确性。此外，刘的研究[38]引入了一种全粒度注意力网络用于长距离航空图像中的目标检测，这一概念可以扩展到多尺度火线检测。虽然我们的AUBLSTM框架没有直接采用这些设计，但它们对高效长距离依赖性建模和多尺度特征融合的强调与我们的架构理念是一致的。未来的工作将探索整合图注意力与频域学习，以进一步提高AUBLSTM的可扩展性和物理一致性。训练和验证曲线（图8）表明，在没有过拟合的情况下，模型性能稳定提升，这得益于U形跳跃连接。然而，数据集的规模和质量增加了收敛时间和参数的不规律性。

案例研究突显了模型之间的差异：FlamMap（MTT）在短时间大规模火灾（例如，呼伦贝尔）中高估了火势蔓延范围，而FIDN更适合短期预测，ConvLSTM则更好地捕捉了长期动态。AUBLSTM减少了错误，提高了泛化能力，并提供了准确的多尺度预测，同时对人类活动干扰具有抵抗力。不同模型对风数据的处理方式不同，ConvLSTM和MTT对火灾持续时间的依赖限制了它们的实际应用。多源遥感数据（GF-1、Sentinel-2、ASTER DEM）、气象API（Open-Meteo）和土地覆盖数据（Sentinel-2 LULC）的整合为野火管理带来了实际好处。首先，高分辨率（16至30米）光谱指数（dBAI、NDVI）与低分辨率（375米至2.2公里）气象变量的融合使模型能够学习跨尺度关系，例如局部地形如何调节风驱动的火势蔓延。其次，包含降水、风速/方向和温度信息使模型能够隐式模拟火险天气条件，减少对外部火险指数的依赖。第三，土地覆盖数据有助于区分易燃和非易燃植被类型，从而在异质景观中提高预测准确性。对于应急响应，模型的输出（最大燃烧区域多边形）可以叠加在道路网络和人口密度图上，以优化疏散路线和资源分配。该框架的设计能够接收卫星主动火灾产品和气象数据，为未来发展成为一个能够根据火灾演变提供动态更新的系统打开了可能性。所提出的架构克服了传统LSTM–ReLU耦合在降采样中的低效率问题，显著提高了计算效率。通过使用高分辨率多源图像、基于dBAI的防火带检测以及增强注意力的BiLSTM模块，该框架整合了气象API，实现了可解释的输入和准确的时空模拟。结果证实了AUBLSTM在多种火灾事件中的鲁棒性（图10），为智能、集成的野火响应系统提供了基础，支持预防、早期预警和缓解措施。

图10. 该图（a–d）显示了所有火灾像素的预测结果，特别是由AUBLSTM、FIDN、ConvLSTM和MTT检测到的陈巴呼尔地区，比较了同一时期（2017年5月）AUBLSTM模型与FIDN、ConvLSTM和FlamMap（MTT）模型在内蒙古研究省的表现。

5. 结论

在本文中，我们介绍了AUBLSTM，这是一种深度学习预测模型，它使用整个燃烧区域的每日燃烧图像以及地球物理和气候数据作为输入，来预测野火的最终燃烧面积。研究团队证明了AUBLSTM模型能够准确预测最大燃烧面积，并有效减轻火灾规模或持续时间的负面影响。该模型架构利用了先进的UNet和BiLSTM网络，充分利用了卷积层和循环层等神经网络技术，从而降低了计算成本和训练时间。

传统的用于语义理解的神经网络数据集主要集中在目标检测和场景识别上，在自然灾害分析领域的应用相对有限。进一步增加这些输入的复杂性可能会导致计算负担，并无法增强模型的鲁棒性。因此，这些数据集被从实验中移除。这种方法减少了计算资源的消耗，并避免了实验过程中高数据复杂性带来的不必要的干扰。

所提出模型的立体架构解决了传统上LSTM和ReLU在降采样过程中耦合的低效率问题，这通常会导致高计算开销和昂贵的样本传输（无论是时间还是资源方面）。这种设计显著提高了模块利用率。随着中国森林防火和控制政策的有效实施，森林和草原火灾的频率预计将继续下降，主要原因将从人为火灾转变为自然火灾。同时，第一代卫星数据集（如GF-1）预计将在时空大数据分析和大型模型训练中发挥越来越重要的作用。因此，整合当代多源卫星数据集（包括Sentinel、Landsat、MODIS、Fengyun和Himawari）是推进多源数据融合研究的关键步骤。

鉴于该模型整合了多源异构遥感信息，定期使用VIIRS的火线和燃烧数据更新灾害预测策略是有益的。这种方法可以增强对火灾行为变化的分析。目前，模型使用当前的重分析数据组合作为输入数据集。未来的研究将探索整合近实时数据源，以实现预测能力，使模型能够确定特定灭火策略对管理正在进行中的野火事件的潜在影响。此外，这还将使我们能够从序列预测的角度理解和模拟森林和草原火灾行为。未来的工作将优先在真实世界操作场景中验证所提出的方法，并随后分析结果以评估其实际应用性。具体来说，我们计划为即将到来的火灾季节进行一次盲测回顾性预测实验，其中模型（权重如本文所述）将接收预测的气象数据来预测火势蔓延，然后与火灾后的卫星观测结果进行比较。

尽管AUBLSTM表现出了良好的性能，但它也存在一些局限性。首先，模型至少需要七天的每日观测数据才能产生可靠的预测；对于持续时间较短的火灾（例如，少于3天），双向上下文变得有限，准确性会下降（在四川的小规模案例中观察到，SSIM = 0.85）。其次，当前架构假设了一个固定的空间范围（512 × 512）和时间窗口（最长20天），这可能无法泛化到超出覆盖范围或持续时间的极端大规模火灾。第三，由于缺乏操作数据，模型没有明确考虑人类干预（灭火、火烧背风区），导致在灭火活动活跃的区域预测过高。关于准确性和近实时性能之间的权衡，AUBLSTM实现了平衡：每序列0.47秒的推理时间实现了近实时预测，但这种速度是以仅使用过去10天的数据为代价的。将时间窗口延长到20天可以将MSE提高12%，但推理时间增加到0.91秒。尽管在其他地区验证AUBLSTM模型非常重要，但这种方法不依赖于任何特定的数据集，因此适用于全球范围内的野火管理。因此，AUBLSTM模型是一个有价值的工具，使土地管理者和消防部门能够更快地应对野火，从而减少火灾对环境的不利影响。这项研究不仅提供了有效的火灾早期预警和资源调度技术手段，还引入了多模态数据在灾害预测应用中的新方法。它进一步推进了深度学习技术在多源遥感和气象环境监测中的应用，促进了将数据驱动方法与物理模型相结合的新方法在工程中的应用。目的是为全球森林火灾早期预警系统提供技术支持，并协助灾害预防部门制定科学资源调度和救援策略。