《Applied System Innovation》：WildfireGO: A Multi-Source Wildfire Detection and Validation System Integrating Crowdsourcing, Satellite Hotspots, and Deep Learning
编辑推荐：
野火对生态系统、空气质量和人类健康构成严重威胁。有效的野火监测需要准确的检测和及时的验证，但现有方法往往受限于数据源碎片化、虚警频发以及现场验证延迟等问题。本研究提出WildfireGO，一种融合众源观测、卫星热点数据与图像分类的多源野火检测与验证系统，运行于
野火对生态系统、空气质量和人类健康构成严重威胁。有效的野火监测需要准确的检测和及时的验证，但现有方法往往受限于数据源碎片化、虚警频发以及现场验证延迟等问题。本研究提出WildfireGO，一种融合众源观测、卫星热点数据与图像分类的多源野火检测与验证系统，运行于地理空间监测环境中。该系统整合用户提交图像、Sentinel-2影像及经Google Earth Engine（GEE）处理的MODIS（Moderate Resolution Imaging Spectroradiometer，中分辨率成像光谱仪）热点数据，以支持野火检测与验证。研究人员采用10折交叉验证及包含800张野火相关图像的独立测试数据集，对四种分类模型进行评估，即卷积神经网络（CNN）、随机森林（RF）、K近邻（KNN）和梯度提升（GB）。CNN模型取得了最优结果，在独立测试数据集上准确率达到97.5%。通过将图像分类与众源报告相结合，该系统有助于筛选用户提交的野火信息并减少误检。卫星衍生热点数据为交叉验证报告事件提供了空间证据，并增强了野火监测与响应规划中的空间态势感知能力。WildfireGO支持近实时数据提交、自动化处理及基于交互式地图的可视化，通过Web界面实现。研究结果表明，将众源报告、卫星观测和图像分类整合于单一地理空间系统中，有望支持更可靠的野火检测，并为环境监测、灾害响应和空间决策提供实际支持。
## 一、研究背景与问题
野火作为最具破坏性的自然灾害之一，对生态系统、生物多样性、空气质量、公共卫生和地方经济造成广泛影响。近年来，野火监测日益依赖遥感技术和数据驱动方法，尤其是基于卫星的热点检测和图像分析技术。然而，在实际应用中仍存在验证延迟、空间细节不足和虚警频发等局限。这些挑战在东南亚地区尤为突出，季节性农业焚烧、森林退化和旱季条件导致野火事件反复发生。在泰国，野火频繁发生于旱季，尤其在山地和偏远地区，监测基础设施有限，提升野火检测的时效性和可靠性仍是重要的实践需求。
现有监测系统多依赖MODIS主动火灾产品等卫星数据，虽能有效检测大范围内的热异常，但受重访周期、云覆盖、空间分辨率及缺乏地面确认等因素制约。无人机（UAV）和闭路电视（CCTV）等技术虽能提供更精细的观测，但受成本、覆盖范围、维护需求和操作条件限制。此外，图像检测可能受日照、雾霾、云层、类烟物体和人造光源等环境条件干扰。为应对上述局限，研究人员提出WildfireGO系统，融合众源图像、地理位置数据、卫星衍生热点信息和图像分类技术，将用户通过手机提交的地面观测纳入野火检测流程，并与卫星热点信息交叉验证以提升检测可靠性。
## 二、研究目的与核心贡献
与其他主要关注单一数据源检测或模型性能的研究不同，本研究强调异构数据源在 operational workflow（ operational 工作流程）中的整合。通过结合众源报告、基于人工智能（AI）的图像分类和卫星验证，WildfireGO解决了野火监测中的两个共性问题：误检和缺乏及时的地面验证。该系统的创新之处在于其多源验证框架，将现场观测与卫星证据相结合，以改进实际监测环境中的野火验证并减少误检。
研究的主要贡献包括：提出融合众源观测、卫星热点信息和AI图像分类的多源野火验证框架；使用真实世界条件下采集的众源野火图像，对CNN、RF、KNN和GB四种图像分类模型进行比评估；开发并实现了WildfireGO Web地理空间平台，支持野火报告、自动化图像分析、空间验证、交互式可视化和 operational（ operational ）野火监测决策支持。
## 三、关键技术方法
研究人员采用的关键技术方法包括：（1）基于MobileNetV2架构的CNN深度网络，用于从众源图像中自动提取空间层级特征进行野火/非野火二分类；（2）10折交叉验证结合独立测试数据集（800张图像）的模型评估策略；（3）通过GEE平台处理MODIS FIRMS（Fire Information for Resource Management System，火灾资源管理信息系统）主动火灾产品数据，提取T21热异常波段并以325 K阈值识别热点像素，经矢量化生成空间点特征；（4）多源验证框架，将CNN图像分类结果与众源报告的空间-时间属性及卫星热点数据进行一致性比对；（5）基于PHP后端、MySQL数据库和JavaScript前端的Web架构，集成交互式地图可视化和仪表板分析功能。
## 四、研究结果
### 4.1 AI模型分类性能
基于10折交叉验证，CNN模型表现最优，正确分类97.50%的野火图像和97.06%的非野火图像，准确率达97.50%，精确率97.60%，召回率97.50%，F1值97.55%。RF模型正确分类93.62%的野火图像和92.50%的非野火图像。KNN模型对野火图像分类尚可，但对非野火图像效果较差，表明其对视觉歧义案例更敏感。GB模型表现较为均衡，正确分类95.62%的野火图像和95.00%的非野火图像。总体而言，CNN模型最适合集成至WildfireGO平台，其高F1值有助于平衡误检和漏检。
### 4.2 独立测试评估
为评估模型泛化能力，研究人员使用完全分离的800张未见过图像进行独立测试。CNN模型保持97.5%的高准确率，正确分类391张野火图像和389张非野火图像，仅将9张野火图像误分为非野火、11张非野火图像误分为野火。该结果与交叉验证一致，表明CNN模型对新采集的众源野火图像具有良好泛化能力。
### 4.3 基于Web的野火报告与验证系统
WildfireGO平台提供交互式Web界面，支持用户输入地理坐标、日期、时间和图像来提交疑似野火事件。系统通过CNN分类模块处理提交图像，野火相关图像被确认存储并反馈用户，非野火图像则被拒绝。平台还提供"当前位置"功能，自动获取用户地理坐标以减少手动输入错误，提升现场报告的便捷性和准确性。
### 4.4 野火空间可视化与监测
平台通过交互式地图显示经验证的众源报告与卫星热点信息的空间分布。结果显示野火报告集中于泰国北部，与该区域旱季焚烧和野火活动频发的实际情况一致。界面支持多种底图和卫星影像图层，以及特定时间段的时间过滤功能，支持不同详细程度的空间模式审视。
### 4.5 仪表板分析与时间模式
仪表板分析模块展示野火活动总报告数、活跃报告天数、每日野火计数、空间分布和近期记录等关键指标。结果表明野火报告在时间上分布不均，存在若干每日计数较高的时期，可能与季节条件、农业焚烧、人类活动和土地利用实践相关。空间密度可视化显示报告集中区域，有助于识别需重点监测的地点。
### 4.6 基于GEE的卫星热点分析
通过GEE处理FIRMS MODIS主动火灾数据，研究人员提取了泰国范围内的热异常位置。热点分布显示泰国北部和东北部火相关活动集中，与旱季焚烧和野火事件常见区域一致。T21热异常波段以325 K阈值提取热点像素并转换为点特征，用于与众源报告交叉验证。
### 4.7 讨论
CNN模型的高性能与先前研究中CNN在火和烟雾检测方面的有效性一致。与YOLO等目标检测模型和Transformer架构相比，本研究采用的CNN在分类性能和计算需求间实现了实用平衡，适合Web报告系统的快速图像筛选需求。独立测试结果与交叉验证的一致性证明了模型对众源图像的泛化能力。
众源报告虽能提供及时的本地观测，但也可能包含不一致、不完整或无关数据。WildfireGO将图像分类作为初始筛选机制，有效减少了错误提交。卫星热点数据提供了更宏观的空间背景，但受重访时间、空间分辨率和大气条件限制，众源报告可弥补这些不足。从系统角度，本研究展示了如何将AI、地理己处理、众源技术和Web技术整合于 operational（ operational ）工作流中，这对于实际野火监测至关重要。
系统局限包括：CNN性能仍可能受图像质量、光照条件、视角、距离和遮挡等因素影响；众源数据的空间和时间分布可能因用户参与度而产生偏差；MODIS热点信息可能无法检测所有小型或短时火情。此外，云覆盖、大气条件和卫星重访间隔可能影响卫星验证效果；众源图像质量因相机设备、分辨率、光照和用户体验差异而参差不齐；众源报告可能存在向人口密集、网络可达区域的空间偏倚；系统对非常小或早期阶段野火的检测能力有限；研究评估主要集中于图像分类性能和系统功能，而非大规模实际响应操作验证。
## 五、研究结论
本研究提出并实现了WildfireGO，一个基于Web的多源野火检测与验证平台，将众源观测、AI图像分类和卫星热点数据整合于统一的地理空间框架中。CNN模型在10折交叉验证和独立测试中均达到约97.5%的最高准确率，验证了其在众源野火图像分类中的优越性。研究的核心贡献在于多源数据整合验证框架：众源图像提供本地视觉证据，MODIS热点数据提供宏观空间背景用于交叉验证。该平台将数据采集、自动化图像筛选、地理空间可视化和热点分析整合于单一 operational（ operational ）环境中，支持环境监测和空间决策。
未来研究应整合气象变量、土地覆盖信息、高分辨率卫星影像和野外验证记录等额外数据源，并探索CNN-Transformer混合架构、多模态学习方法和实时预警机制，以进一步提升野火检测与验证性能。总体而言，融合众源观测、AI图像分类和卫星热点数据的方法，为 operational（ operational ）地理空间框架内的野火监测和验证提供了实用且可扩展的途径。
