《AI》：A Neuro-Fuzzy Approach for Forest Fire Risk Identification Using Aerial Imagery and Meteorological Data
编辑推荐：
野火是火势失控蔓延的事件，破坏自然生态系统并导致严重的生物多样性丧失。受气候变化驱动，这些事件的频率和强度不断升级，使得有效的风险缓解成为全球优先事项。本研究提出了一种混合方法，用于识别和分类野火风险区域，该方法基于卷积神经网络（CNN）与U-Net架构及Re
野火是火势失控蔓延的事件，破坏自然生态系统并导致严重的生物多样性丧失。受气候变化驱动，这些事件的频率和强度不断升级，使得有效的风险缓解成为全球优先事项。本研究提出了一种混合方法，用于识别和分类野火风险区域，该方法基于卷积神经网络（CNN）与U-Net架构及ResNet-50骨干网络的语义分割结合模糊推理系统。CNN处理高分辨率地理参考RGB影像，以识别植被密度和可燃有机物等环境模式。通过交叉验证评估，CNN的全局交并比（IoU）达到86.73%，全局F1得分为92.82%，生成低、中、高三个等级的风险分类。随后，该分类输出与气象变量（温度、湿度、风速）一起输入模糊推理系统。模糊推理系统根据气象条件动态调整初始风险评估，并为处理后的影像生成更新后的风险分类。该方法显著改善了野火风险评估，为环境管理和早期灾害预防提供了数据驱动的工具。
**论文解读**
**研究背景与问题**
森林火灾是全球最具破坏性的自然灾害之一，每年影响地球陆地表面的3%至4%，并成为温室气体排放的重要来源。受人类活动和气候变化影响，火灾频率和强度持续上升，迫切需要精准识别和监测高风险区域的工具。传统森林火灾风险评估方法通常依赖静态指数或对环境变量的人工解读，缺乏早期预警系统所需的时空分辨率，且难以整合异构数据源，限制了预测能力。近年来，人工智能（AI）技术，尤其是深度学习架构，在目标检测、语义分割和土地覆盖分类中表现优异，但纯数据驱动模型存在可泛化性差、缺乏可解释性等问题，使决策者难以信任其预测逻辑。因此，需要结合知识驱动和数据驱动模型的混合方法，以构建更可靠、透明且情境感知的火灾风险评估框架。本研究提出了一种基于神经模糊的混合方法，通过卷积神经网络（CNN）进行语义分割，并集成模糊推理系统（FIS）来动态调整风险等级，从而提升早期检测能力和可解释性，为森林火灾风险管理提供科学工具。该论文发表在《AI》。
**主要关键技术方法**
研究人员使用了U-Net架构（以ResNet-50为骨干网络）对高分辨率地理参考RGB影像进行语义分割，识别植被密度、可燃有机物等环境模式，生成低、中、高三个风险类别的像素级分类。该分类结果以单值（0、1、2）形式输入到一个三层次分层模糊推理系统（FIS）中。FIS基于Mamdani推理，采用来自墨西哥恰帕斯州民防机构PROCEDA IN框架定义的气象变量（温度、湿度、风速）及其隶属函数和模糊规则。第一层结合CNN输出与相对湿度，第二层引入温度，第三层加入风速，逐步调整风险等级。数据集来源于墨西哥南部150张地标RGB影像及对应气象记录，手动标注为三个风险等级，并按70%训练、30%独立测试划分，训练中采用5折交叉验证。
**研究结果**
**语义分割模型的比较评估（Comparative Evaluation of Semantic Segmentation Models）**
通过5折交叉验证，对比了6层U-Net、U-Net ResNet-34和U-Net ResNet-50三种架构。U-Net ResNet-50在所有指标上表现最佳：平均准确率0.9329，平均F1得分0.9024，平均IoU 0.8381；全局IoU达86.73%，全局F1得分92.82%。基于此，选用了U-Net ResNet-50作为集成FIS的语义分割模型。
**与主流语义分割模型的比较（Comparison with Mainstream Semantic Segmentation Models）**
在相同数据集和协议下，将U-Net ResNet-50与Mask2Former、OneFormer、Segment Anything对比。U-Net ResNet-50在所有指标上均领先（准确率0.9329、精确率0.9022、召回率0.9085、F1得分0.9024、IoU 0.8381），证明其更适合作为神经模糊系统的分割模块。
**实验与案例研究分析（Experimental Results and Case Studies Analysis）**
以墨西哥瓦哈卡州Mixteca Alta地区为研究区，通过四个气象场景验证系统动态调整能力：
- **场景1（高温度38°C、湿度40%、风速28 km/h）**：第一层FIS中湿度起到缓冲作用，高风险区最终升至“极端”（91.07），但未过饱和。
- **场景2（温度26°C、湿度60%、风速11 km/h）**：高湿度显著降低风险，初始高风险区从CNN的100降至最终“中等”（28.33）。
- **场景3（温度40°C、湿度13%、风速45 km/h）**：极端干燥和高温使风险全面上升至“极端”（92.16）。
- **场景4（温度19°C、湿度27%、风速33 km/h）**：低湿度导致第一层风险上升，但低温在第二层起制动作用，最终保持“很高”（71.71），未达“极端”。
**空间表面估计（Spatial Surface Estimation）**
通过地理计算估算每个像素对应面积（约0.3959 m2/px），并计算各风险等级在不同场景下的物理覆盖面积。例如，场景3中“极端”区域覆盖约0.0343 km2，而场景2中“低”风险区域占主导。
**代表性气象场景下的野火风险调制（Wildfire Risk Modulation Under Representative Meteorological Scenarios）**
展示了CNN初始风险等级在四个典型季节场景下如何被FIS三层逐步调整。场景2（有利于降火的）使高风险下降；场景3（干燥高温）使所有风险上升；场景1和4呈现中间状态。
**基于CNN与CNN+FIS的比较（Comparison Between CNN-Based and CNN + FIS）**
与纯CNN基线（低=0、中=50、高=100）对比，CNN+FIS在场景2中将高风险的固定值100降为28.33，场景3中将低风险的0升至50、中风险升至71.72，证明了FIS的可解释性调制作用。
**多地点评估（Multi-Site Evaluation）**
在墨西哥南部另外三个地点进行验证，展示了系统在不同景观和气象条件下的适应性。例如地点1中初始高风险区在FIS后升至“很高”和“极端”；地点2中初始中等风险在第二层和第三层后变为高；地点3中初始高风险区域主导，最终大部分变为极端。
**总结讨论与结论**
讨论部分指出，分层FIS通过优先处理湿度（第一层）模拟燃料湿度动态，有效防止过饱和（如场景2的缓冲作用），并在冲突变量（如场景4的低温与低湿、强风）下保持平衡。规则库从传统375条减少至约65条，提升了可解释性和计算效率。研究的局限性包括数据集规模有限、季节覆盖不足，以及缺少外部历史火灾记录验证，未来需扩展数据集和时空建模。结论部分总结：本研究提出的混合方法有效整合了CNN和分层FIS，产生了动态适应环境变化的可解释野火风险图。U-Net ResNet-50提供最准确的分割输入；分层FIS成功模拟了点火和传播过程，通过四个场景验证了其灵敏度和鲁棒性。主要贡献在于平衡了预测性能与可解释性，为监测和决策提供了有力工具。未来工作将纳入更多变量、扩展数据集并探索时间分析。
