使用无监督深度学习在苏丹进行近实时冲突相关火灾检测

《Science of Remote Sensing》：Near–real-time conflict-related fire detection in Sudan using unsupervised deep learning

　　

苏丹持续不断的武装冲突凸显了对冲突相关火灾影响区域进行快速监测的需求。深度学习和高频卫星影像的最新进展使得能够对战区内的活跃火灾和燃烧疤痕进行近实时评估。本研究提出了一种近实时监测方法，采用轻量级变分自编码器（VAE）模型，并结合3米空间分辨率的四波段Planet Labs影像。研究人员证明，在有利的观测条件下，利用可获取的商业卫星数据，这些受影响区域可在约24至30小时内被检测到。为实现此目标，研究人员调整了一个最初为十波段影像设计的基于VAE的模型，使其有效运行于高分辨率四波段输入。该模型以无监督方式训练，学习名义地表状况的紧凑潜在表示，并通过量化时间配对的潜在嵌入之间的变化来识别燃烧信号。在苏丹的五个案例研究中评估了性能，并使用余弦距离、典型相关分析（CVA）和迭代加权多变量变化检测（IR-MAD）进行了比较，度量指标包括精确率、召回率、F1分数以及时间配对图像块之间计算出的精确率-召回率曲线下面积（AUPRC）。结果表明，所提出的方法始终优于其他方法，在高度不平衡的火灾检测场景中实现了更高的召回率和F1分数，同时保持了可行的精确率。使用八波段影像和时间序列的试验相较于单一四波段输入仅带来边际性能提升，这突显了所提轻量级方法在可扩展的近实时冲突监测中的有效性。

论文解读文章

**研究背景与问题**
2023年4月爆发的苏丹武装冲突（主要涉及苏丹武装部队（SAF）与快速支援部队（RSF））已导致大规模平民伤亡、超1200万人流离失所及基础设施严重破坏。冲突相关火灾（如空袭、炮击引发的活跃火和燃烧疤痕）是追踪攻击事件和潜在违反国际人道法行为的关键指标。然而，地面报告常因安全限制而延迟或不完整，现有卫星遥感方法面临诸多局限：粗分辨率传感器（如MODIS（中分辨率成像光谱仪）和VIIRS（可见光红外成像辐射仪套件））难以捕捉城市冲突中短时、空间破碎的小规模火灾；监督学习方法高度依赖高质量标注数据，而在活跃冲突区此类数据极为稀缺；计算密集型模型难以快速部署。因此，亟需一种可扩展、近实时的无监督方法，利用高频高分辨率商业卫星影像（如PlanetScope）实现冲突相关火灾的快速检测。

**研究内容与结论**
研究人员提出了一种基于轻量级变分自编码器（VAE）的无监督深度学习框架，用于近实时监测苏丹冲突相关火灾。该研究使用五处冲突火灾事件（位于埃尔法舍尔和喀土穆地区）的PlanetScope四波段（红、绿、蓝、近红外）影像（3米分辨率），在约24–30小时内生成火灾异常检测结果。通过将VAE潜在嵌入之间的余弦距离作为异常评分，并与余弦距离、典型相关分析（CVA）、迭代加权多变量变化检测（IR-MAD）、差异归一化差值植被指数（dNDVI）和差异燃烧面积指数（dBAI）等基线方法比较，基于精确率、召回率、F1分数和精确率-召回率曲线下面积（AUPRC）评估性能。结果表明，所提方法在所有案例中均优于基线方法：相对于IR-MAD，AUPRC相对提升14%–36%（如穆格林和萨拉法亚达0.80以上）；在埃尔法舍尔复杂城市环境，AUPRC提升36%，召回率达0.66，精确率0.62，F1分数0.64。四波段影像已提供足够判别信息，八波段或短时间序列仅带来3%–7%的边际提升。该论文发表在《Science of Remote Sensing》，展示了轻量级无监督方法在数据稀缺冲突区实现近实时监测的可行性，为人道评估和决策支持提供了新途径。

**关键技术方法（不超过250字）**
研究采用的主要关键技术方法包括：（1）变分自编码器（VAE）架构（RaVAEn），经改造适配4波段3米分辨率PlanetScope影像，通过频率分解层和多尺度卷积块（类似空洞空间金字塔结构）实现分辨率自适应学习；（2）无监督训练策略，使用WorldFloods数据集（基于Sentinel-2多光谱影像，包含火灾疤痕等灾害相关表面变化）训练VAE，学习名义地表状况的紧凑潜在表示；（3）潜在空间变化检测，通过计算时间配对影像块（32×32像素）潜在嵌入之间的余弦距离生成异常评分，而非依赖重建误差；（4）预处理与光谱对齐，采用主轴线（MA）线性回归进行光谱归一化，并对近红外（NIR）波段进行对数压缩和鲁棒最小-最大缩放。样本队列来源：五处经苏丹冲突观测站（SCO）验证的火灾事件（甘达哈尔市场、埃尔法舍尔、穆格林、贾兰加、萨拉法亚），影像来自Planet Labs的PlanetScope星座。

**研究结果**
**5.1 定量性能**
通过五个案例的评估，所提潜在表示变化（LRC）方法在AUPRC、精确率、召回率和F1分数上均优于所有基线方法。例如，在甘达哈尔市场（四波段），LRC的AUPRC为0.74，F1为0.71，而IR-MAD分别为0.65和0.62；在穆格林，LRC的AUPRC达0.77，召回率0.82。Cohen's d效应量显示，LRC相对于IR-MAD在召回率上效应最大（d≈1.30）。配对Wilcoxon符号秩检验表明差异显著（p<0.01）。消融实验确认余弦距离在潜在空间中表现最优，且性能差异主要由表示学习驱动而非距离度量。Spearman相关性分析表明，余弦距离与dBAI之间存在中等正相关（ρ=0.52–0.68），反映该评分能捕捉火灾相关变化梯度。

**5.2 假阳性和假阴性观察**
假阳性主要源于先前事件的残留燃烧物质或类似焦化表面的碎屑；假阴性则限于物理尺寸小于3米空间分辨率的微小、破碎火灾事件，属于光学遥感固有硬件限制。框架检测的是异常光谱-空间变化，不显式区分物理成因，非火灾过程（如快速植被丧失、城市施工）可能引起假阳性，但火灾损伤通常产生空间连贯、与已知事件位置对齐的不规则高对比燃烧疤痕，有助于缓解歧义。

**5.3 四波段影像的充分性**
四波段PlanetScope影像已捕获火灾检测所需的充分光谱信息，增加八波段或短时间序列仅带来中位AUPRC增益3%–7%，且统计检验表明这些增益在操作上通常不显著。在埃尔法舍尔，八波段和时间序列配置甚至略微降低了AUPRC和召回率，可能归因于高度异质城市环境下对波段间噪声和配准误差的敏感性增加。

**5.4 总结**
所提无监督VAE方法在一致性、统计显著性和效应量上均优于对比方法，所有实验与近实时处理流水线兼容（24–30小时输出）。四波段轻量配置在准确性与效率之间提供了有利权衡，适用于近实时冲突监测。

**讨论与结论**
讨论部分指出，基于PlanetScope近每日影像与潜在表示变化检测的结合使近实时监测成为可能。四波段影像捕获了足够判别信息，额外波段或时间序列增益有限。训练于生态不同的WorldFloods数据集降低了过拟合风险。与MODIS、VIIRS、Sentinel-2等公共平台相比，PlanetScope在空间分辨率与重访频率间实现实用平衡，但缺乏短波红外（SWIR）波段限制了传统燃烧指数的直接应用，因此采用无监督VAE框架利用可用RGB和近红外（NIR）波段。该工作强调跨学科整合的重要性，自动化卫星检测需结合冲突研究、人道评估和遥感专业知识才能产生可操作洞察。

结论翻译：苏丹内战（主要涉及苏丹武装部队（SAF）和快速支援部队（RSF））已导致大规模平民伤亡和流离失所，超1400起针对平民的暴力事件，造成6.1万战争相关死亡和1200万人流离失所。本研究表明，利用PlanetScope影像和基于潜在表示的变化检测可在近实时条件下检测苏丹冲突相关火灾损伤。基于VAE的方法在传统基线之上展现了改进的检测能力，其中四波段影像提供最相关信息，额外波段或短时间序列仅带来小幅提升。本研究提出了一种集成遥感、无监督学习和冲突分析的方法，以支持数据稀缺环境下的人道评估。研究局限性包括：案例数量有限可能限制泛化性；比较仅限于基于光谱距离和变换技术的像素级变化检测方法；依赖商业Planet Labs影像存在数据可获取性、成本和可重复性挑战；所有结果依赖于无云光学影像和准确配准；未评估云覆盖条件下的操作延迟。尽管存在这些限制，研究结果表明轻量级、基于潜在表示的方法为近实时监测冲突相关火灾损伤提供了实用途径，突显了在缺乏高分辨率或地面数据的环境中，光谱丰富度、时间可用性与可行性之间的权衡。