利用无人机视频测距技术量化草原火灾蔓延：精确边界分割与基于EDT的矢量场估算

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Quantifying grassland fire spread via UAV videogrammetry: boundary-precise segmentation and EDT-based vector field estimation

　　梁晨|李建伟|刘奈安|郑辉如中国福州350116，福州大学物理与信息工程学院摘要在战术火灾管理中，以高时空分辨率实时量化草地火势蔓延速率至关重要。然而，这一任务仍面临诸多挑战，其根本原因在于：分割过程中的边界定位误差会通过时间差分被放大，往往超过实际火势蔓延速率。本研究提出了一种基于无人机视频测量的框架，通过两个集成组件来解决“语义到度量”的难题。首先，一种具备亚像素重建功能的精确边界分割网络，相比基准方法可使豪斯多夫距离降低9.2%，在每秒128帧的速率下可实现91.4%的平均交并比。其次，也是更为关键的一点，本研究提出了一种基于欧几里得距离变换时间演变的物理驱动型火势蔓延速率估算方法。与追踪具有误导性的纹理运动的光流法，或仅能提供稀疏边界数据的周长追踪法不同，该基于EDT的方法通过向内传播边界约束，能够在整个火区生成空间上密集的蔓延向量。滑动窗口策略则能在保留真实蔓延动态的同时抑制高频火焰湍流。通过对澳大利亚联邦科学与工业研究组织草地火灾实验的验证，该框架在Braidwood E2实验中的估算结果与官方参考值仅存在1.2%的偏差。这一框架将无人机视频从被动的可视化工具转变为主动的测量仪器，能够以亚秒级分辨率持续表征火灾行为。尽管目前的验证主要是在特定无人机操作条件（低空、近俯视、平坦地形）下的可控草地火灾实验，但将其推广到森林火灾、复杂地形以及实际野火场景仍需进一步研究。引言草地火灾是一种高度瞬态且具有破坏性的自然灾害（Liu等人，2021a；Lei等人，2011；Liu等人，2009），它不仅会影响生态系统动态，还会对人类居住区构成严重威胁（Bowman等人，2009；Cruz等人，2024；Huang等人，2024；Li和Liu，2020）。极端野火事件的频发使得人们愈发需要能够以高时空分辨率表征火灾行为，尤其是火势蔓延速率的监测系统。虽然基于卫星的遥感技术（如MODIS、VIIRS）能够实现宏观层面的活跃火情检测，但其时间重访间隔（数分钟到数天）以及较粗糙的空间分辨率（375米至1公里），无法满足快速变化的火焰前沿形态的观测需求（Giglio等人，2016；Liu等人，2014；Schroeder等人，2014）。因此，无人机因其灵活的部署能力以及高分辨率、连续观测火势动态的潜力，成为理想的监测工具（Lei等人，2011；Li等人，2026；Li等人，2025；Yuan等人，2015）。然而，将无人机视频转化为定量动态指标面临着独特的“语义到度量”难题：语义分割虽能提供逐像素的火情掩膜，但后续推导物理蔓延速率则需要远超普通分割方法所能保证的几何精度（Ghali和Akhloufi，2023）。这一精度要求源于一个关键却常被忽视的约束——火势蔓延速率的估算本质上是对边界位置的时间差分操作。根据误差传播理论，这一关系可表示为：??ROS≈δΔt?LW，其中δ表示以像素为单位的边界定位误差，Δt为时间间隔，L/W则用于将像素转换为实际距离。由于与Δt呈反比关系，因此在高帧率下边界误差会被大幅放大。对于典型的无人机视频（30帧/秒，5厘米/像素的地面采样距离），仅仅2像素的边界误差就会导致约180米/分钟的瞬时火势蔓延速率误差，这一数值可能超过快速蔓延的草地火灾的实际蔓延速率（约100米/分钟）。由此可见，物体检测中可以接受的微小边界抖动，在火势动态量化中则会带来灾难性后果。现有方法从不同角度试图解决这一约束问题。光流法虽能生成密集的运动场，但它追踪的是烟雾和火焰纹理的随机运动，而非燃烧界面的连贯推进，这存在根本性的物理缺陷（Farneb?ck，2003）。几何前沿追踪法则虽能得到具有物理意义的周长位移，但其本质上是拉格朗日式的且数据稀疏，只能描述活跃燃烧边缘，而无法界定内部火区（Chen等人，2022）。与此同时，那些为区域重叠度量而优化的通用分割网络，则因损失函数对亚像素级边界变化不敏感，而系统性忽略了边界的几何精度。为弥补这一缺陷，本研究提出了一种集成的无人机视频测量框架，通过双重策略解决“语义到度量”的难题：一方面通过精确边界分割最小化边界定位误差δ，另一方面通过滑动窗口积分延长有效时间间隔Δt。该分割网络借助PixelShuffle技术实现亚像素重建，从而减少几何量化误差（Shi等人，2016）。更为重要的是，我们基于欧几里得距离变换的时间演变，提出了一种物理驱动型的密集蔓延向量场估算方法。通过数学方式将边界约束向内传播，该方法能够在整个火区生成空间上密集的火势蔓延速率数据，兼具几何方法的物理准确性与密集运动估计的空间连续性。本研究的主要贡献包括：（1）明确了误差放大机制：我们正式证明了在火势蔓延速率估算中，边界定位误差会因时间差分而被放大，这一发现为以边界为中心的网络设计及时间平滑策略提供了理论依据。（2）设计了精确边界分割网络：我们并非仅追求区域重叠度量，而是专门设计了一种具有火灾感知功能的重参数化模块，通过大核卷积、坐标注意力机制以及亚像素上采样等方式提升边界精度，使豪斯多夫距离降低了9.2%。（3）提出了物理驱动型的密集蔓延向量场估算方法：与稀疏的拉格朗日周长追踪法或存在物理缺陷的光流法不同，我们基于欧几里得距离变换的欧拉式方法能为火区内的每个网格单元赋予蔓延速度和方向，从而全面描述火灾的运动历史。（4）通过CSIRO发布的参考数据进行了严格验证：在澳大利亚联邦科学与工业研究组织的草地火灾测试数据上，该框架的估算结果与官方公布的Braidwood E2实验火势蔓延速率仅存在1.2%的偏差，充分证明了其作为定量测量工具而非单纯可视化工具的实用性。章节节选用于火灾监测的遥感方法遥感技术为不同尺度上的火灾监测提供了数据支持。MODIS、VIIRS和Sentinel-2等卫星星座在全球范围内负责活跃火情检测及火辐射功率的反演工作（Wooster等人，2021），但这些方法存在固有缺陷：高时间分辨率的平台缺乏足够的空间分辨率来解析火焰前沿的几何结构，而高空间分辨率的平台则具有较长的重访间隔。为了解决细尺度火灾行为的观测问题，相关领域……所提出的框架概述如第1节所述，要实现准确的火势蔓延速率量化，就需要通过双重策略来应对误差放大问题，即通过精确分割最小化边界定位误差δ，同时通过滑动窗口积分延长有效时间间隔Δt。该框架通过两个集成模块来实现这一策略，如图1所示。数据预处理流程首先是对倾斜的无人机视频进行透视变换，将其转换为正射影像。数据集本研究在模型训练和评估过程中使用了公共数据集与自建数据集相结合的方式。共有两个互补的数据集被用于模型训练和评估。由科西嘉大学发布的科西嘉火灾数据库（CFD）（Toulouse等人，2017）包含了1,135张带有像素级标注的RGB图像，这些图像记录了地中海欧洲地区的草地火灾和森林火灾情况。该数据库中的图像既包括单独的拍摄照片，也包括从连续的火灾事件中提取的帧样本。采样频率和窗口参数对估算精度的影响前述实验结果表明，该框架在Braidwood E2实验中的估算结果与CSIRO发布的参考值仅存在1.2%的偏差。本节将探讨影响这一性能的关键因素，重点分析决定噪声抑制与时间精度之间平衡的时间采样策略。火灾蔓延速率估算的准确性在很大程度上取决于数据采集和处理过程中所采用的时间采样策略。结论本研究解决了基于无人机的火灾监测中面临的“语义到度量”这一核心问题，即如何将语义分割的输出结果转化为可靠的火灾蔓延动态定量指标。我们发现了边界定位误差会因时间差分而被放大的这一关键约束，且该放大效应与采样间隔成反比，随后我们开发了一种集成框架，通过空间和时间上的互补措施来解决这一约束问题。CRediT作者贡献说明梁晨：写作——审阅与编辑、写作——初稿撰写、验证、软件开发、资源获取、方法设计、形式分析、数据整理、概念构建。李建伟：写作——审阅与编辑、项目监督、项目管理、研究实施、资金申请、概念构建。刘奈安：写作——审阅与编辑、项目监督、研究实施、资金申请。郑辉如：写作——审阅与编辑、项目监督、数据整理。利益冲突声明作者声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金（项目编号32572044和32071776）以及中国国家重点研发计划（项目编号2022YFC3003002-03）的支持。