综述：用于农业残留物焚烧监测的人工智能：系统性综述

《Science of Remote Sensing》：Artificial intelligence for agricultural residue burning monitoring: A systematic review

　　

农业残留物焚烧（ARB）带来了一种持续性的环境挑战，其由非线性人类行为和动态时空依赖性所驱动。研究人员根据PRISMA协议和MMAT标准综合了81篇同行评审研究，评估了集成地球观测的人工智能策略在三个操作领域中的表现：（1）火情智能，（2）大气污染追踪，以及（3）耕作实践监测。在所有这些领域中，遥感作为必要的空间骨干，通过多级传感器网络提供一致的观测，该网络利用光学影像、地球静止热平台、合成孔径雷达（SAR）和大气柱传感器，并根据特定目标进行定制。研究得出了三个跨领域的发现：首先，模型鲁棒性主要取决于特征组成和传感器分辨率，而非仅取决于模型深度。其次，固有的遥感限制——包括云层覆盖间隙、焚烧疤痕与收割土壤之间的光谱混淆，以及空间与时间分辨率的权衡——在从时间预测扩展到空间预测时导致性能下降。第三，事件前预测仍然未充分发展，因为轨道传感器无法捕获人类和社会经济驱动因素（例如劳动力成本和种植窗口压力）。释放遥感的全部潜力需要将卫星基础设施与动态时空人工智能架构相耦合。未来的进展需要针对性投资于多传感器数据融合以解决轨道权衡、地面实况与农业普查数据集成、基于过程的时空建模，以及基于SHAP的可解释人工智能，以确保监管的透明度。

1. 1.
   引言
   农业残留物焚烧（ARB）构成了一种持续的宏观环境挑战。尽管其在快速农业扩张区域地理上集中，但ARB引发了广泛的空气质量恶化、辐射失衡和跨界污染级联，对全球生态和流行病学产生可测量的后果。与自然野火不同，ARB点火是一种受收割日历压力、劳动力成本、机械化获取途径和当地政策执行影响的人类决策，这些变量无法被轨道传感器观测，也无法被生物物理模型编码。因此，从回顾性火情制图到前瞻性点火预测的转变需要一种根本不同的计算框架。当代ARB监测沿三条平行轨道发展：卫星遥感提供空间骨干；基于过程的化学传输模型（包括HYSPLIT、WRF-Chem和CMAQ）建立火源坐标与下风向受体站点之间的因果联系；机器学习和深度学习架构日益与这些观测基础集成。然而，所有三个轨道之间以及从点火前预测到事件后影响评估的完整时间弧上的整合仍然碎片化，且未作为统一系统进行评估。为解决这一空白，研究人员对2015年至2025年间发表的81篇同行评审研究进行了系统性文献综述，执行PRISMA协议并通过混合方法评估工具（MMAT）进行评估，对三个操作领域和三个时间阶段（事件前主动建模、事件期间边缘定位、事件后回顾性分析）的计算策略进行比较评估，以构建全周期ARB智能的统一知识图谱。主要目标使用PICO框架制定，并提出了三个核心研究问题：RQ1关注从历史事件模式回顾性分析到点火风险预测性预测的全周期火情智能所实施的多源数据和算法策略；RQ2关注用于监测焚烧大气影响的计算技术和数据融合方法，特别是污染物估计、追踪和预测；RQ3关注在ARB背景下部署的监测耕作实践采用的計算框架。
2. 2.
   综述方法学
   为确保高度透明和可重复性，本系统性文献综述遵循PRISMA方法学。主要目标是调查并绘制先进计算技术（特别关注多源数据与算法实施之间的交互）在应对农业残留物焚烧全生命周期问题中的最新进展。

2.1. 搜索策略

为识别全面的方法策略，搜索查询采用多簇方法设计，包括问题域、方法学策略和操作生命周期簇。问题域簇定义ARB及其同义词以确保地理和作物类型包容性。方法学策略簇针对研究人员受众，识别计算框架，涵盖人工智能（AI）、机器学习（ML）、深度学习（DL）等广泛的数据驱动范式。操作生命周期簇按监测时间线分段，以捕获全周期覆盖，从预测智能过渡到回顾性影响综合。预测智能侧重于主动任务，如“early warning”、“risk assessment”等；操作监测针对实时事件跟踪和检测；回顾性影响综合将搜索扩展到事件后遗留问题。各簇内关键词用“OR”连接，三簇间用“AND”连接，最终搜索字符串在Scopus中执行。

2.2. 文章选择和资格标准

2.2.1. 资格标准

建立了正式的资格标准以优先考虑提供ARB生命周期方法学框架代表性技术蓝图的研究。纳入标准包括：2015年1月至2025年12月间的同行评审期刊文章或会议论文；英文全文；实施AI、ML或高级复杂数据分析技术；排除仅描述环境问题或使用基本统计方法而无算法框架的研究。

2.2.2. 数据库搜索和筛选过程

根据PRISMA指南进行系统性识别和过滤。在Scopus中执行搜索查询后，经过去重，实施三阶段筛选：标题筛选快速排除超出农业管理范围或缺乏技术焦点的研究；摘要筛选验证研究目标是否直接涉及模型驱动方法，并排除纯描述性报告；全文审查根据完整资格标准做出最终判断，解决算法逻辑和数据融合策略中的模糊性。

2.3. 质量和偏倚风险评估

为建立可验证的质量阈值，最终文献语料库使用混合方法评估工具（MMAT）2018版进行严格评估。评估协议以两个普遍筛选标准开始：核心研究目标清晰度和报告数据充分性。幸存研究映射到相应的定量MMAT子量表：定量非随机研究（用于评估预测或分类性能）和定量描述性研究（用于空间制图或回顾性表征）。每个标准以三元量表（满足、未满足、无法判断）评估，仅累积质量得分≥3/5的出版物进入最终主题综合。质量层级分布显示，81项研究均达到中等及以上质量，其中53项高质量，28项中等质量。

1. 3.
   选择结果和方法学验证
   PRISMA流程图展示了识别、筛选、资格评估到最终纳入的过程。2025年9月25日在Scopus中初始检索获得1130条原始记录，去重后1124篇独特文章进入筛选。应用关键词启发式过滤器排除了721项不相关研究，2篇无法获取全文，剩余401篇候选稿件进行全文审查。全文审查阶段严格执行三个专门排除过滤器：缺乏计算建模框架（n=3）、超出ARB领域范围（n=79）和非计算大气焦点（n=238），最终得到81项高质量研究。数据库检索偏倚评估显示，81项研究涵盖48种离散期刊，其中47种（97.9%）同时被Web of Science核心集收录，表明检索偏倚最小化。MMAT质量分层为后续主题综合提供了权重依据，高质量队列（n=53）作为主要证据基础。
2. 4.
   描述性分析和研究特征
   本节通过定量分析映射81项综述研究的技术格局。

4.1. 时间分布

时间分布显示明确的上升轨迹，超过60%的语料库在2022年至2025年间发表（n=49），2024年达到峰值（18项）。这反映了高分辨率卫星数据可用性与成熟ML/DL框架的融合，而非研究范围的根本扩展。

4.2. 地理分布

地理分布显示研究高度集中在亚洲（n=50，62%），以印度（n=25）和中国（n=18）领先；北美洲（n=14）为第二中心；非洲（n=8）、南美洲（n=7）和三项全球尺度研究代表未充分服务的地理前沿。这种地理集中导致大多数高性能模型在印度恒河平原或华北平原的焚烧模式上训练和验证，其在撒哈拉以南非洲或奥里诺科稀树草原的碎片化、多作物焚烧景观中的泛化能力基本未经测试，构成了当前技术格局的主要限制。

4.3. 领域和阶段分布分类法

81项研究按应用领域（火情监测、空气质量、农业与环境管理）和操作阶段（事件前、事件期间、事件后）分类。时间阶段分布揭示关键不平衡：事件前（主动）研究仅占10项（12%），而事件期间（44%）和事件后（43%）研究占主导。这种不平衡在所有三个领域中一致，反映了点火是人类决策的根本挑战，需要整合当前计算ARB文献中缺失的行为和社会经济建模框架。

1. 5.
   ARB监测的多源数据架构
   准确的ARB监测需要整合多个异构数据流，以补偿彼此的局限性。

5.1. 地球观测和遥感平台

卫星遥感构成ARB监测的主要数据骨干。在粗分辨率层（≥1 km），MODIS仍是最广泛部署的传感器，但其1 km热波段常遗漏小农户稻麦地块特有的亚公顷焚烧，引入系统遗漏偏差。VIIRS通过其375 m I波段部分解决了这一问题，能检测MODIS遗漏的低强度作物火点。在中分辨率层（10-30 m），Landsat的30 m多光谱档案支持十年尺度的焚烧疤痕分析，而Sentinel-2的10-20 m波段及其五天重访已成为检测小地块土壤炭化和水分损失的首选平台。Harmonized Landsat Sentinel-2（HLS）数据集将两者合并为统一的30 m流，重访周期2-3天。对于大气污染物监测，Sentinel-5P TROPOMI、MODIS AOD、OMI、CALIPSO、AERONET和ARFINET共同表征气溶胶柱。Sentinel-1 SAR穿透云层检测耕作操作和作物残留物物候最小值，为高风险焚烧窗口提供关键预警信号。对于实时操作监测，边缘部署传感器（无人机、监控摄像头、物联网热传感器）提供厘米至米级地面实况，用于训练和验证亚MODIS分辨率的深度学习火情检测器，RGB和热红外（TIR）融合解决了限制单通道检测器的烟羽与活跃火锋之间的光谱混淆。

5.2. 气象、排放和地形数据

气象再分析数据集（主要是ERA5、MERRA-2和GEOS-FP）提供三维风、温度、湿度和行星边界层高度（PBLH）场，这些场支配着污染物传输和垂直混合。排放清单（FINN v1.5、ECLIPSE V6b、GFED和IPCC特定作物排放因子表）将卫星检测到的焚烧面积转换为污染物质量估计，以初始化化学传输模型。地形数据（数字高程模型DEMs和数字地表模型DSMs）识别引导或汇集烟雾的地形特征，并与WorldPop人口网格和当地GDP数据结合时支持社会经济暴露评估。

5.3. 地面实况和田间尺度数据

地面测量提供卫星和再分析产品无法提供的验证锚点和机制细节。在空气污染领域，地表PM_2.5和CO监测网络辅以气相色谱×气相色谱-飞行时间质谱（GC×GC-ToFMS）化学形态分析，提供直接浓度基准。特定于稻草、麦秆或甘蔗燃烧的有机构物化合物允许在复杂的城市气溶胶混合物中明确识别ARB贡献。在RQ3领域，田间尺度数据捕获重复焚烧的土壤和生态系统后果。土壤岩心分析测量土壤有机碳（SOC）、pH、微生物群落DNA和稳定同位素比率（δ¹⁸O_pS），记录农业土壤的化学和生物退化或恢复轨迹。长期田间试验记录跟踪作物轮作、杂草种子库大小、氮平衡和硝酸盐浓度，为建模焚烧对生产力和养分淋溶风险的累积效应提供农学地面实况。地面站的辐射监测量化烟羽施加的太阳能赤字：气溶胶改变直射与漫射辐照度比率并衰减光合有效辐射（PAR），降低光伏发电量和作物冠层光利用效率。最后，植物学野外调查和古生态代理（沉积物岩心木炭、化石花粉）为火灾后保护策略提供生态恢复基线，并允许重建现代农业系统之前的千年尺度火情机制。社会经济数据（WorldPop、GDP、道路邻近度和农村收入指标）量化差异健康暴露并识别作为农业实践的焚烧的经济驱动因素，对设计针对性政策干预不可或缺。

1. 6.
   全周期火情智能的计算框架
   （根据摘要和引言，本节应详细讨论用于火情智能的ML/DL架构，包括事件前预测、事件期间检测和事件后分析的具体算法，但原文在此处截断，因此未包含细节。）
2. 7.
   ARB的空气污染的智能影响
   （本节应讨论用于污染物估计、追踪和预测的计算技术，但原文截断，未包含细节。）
3. 8.
   耕作实践监测
   （本节应讨论部署的监测耕作实践采用的框架，但原文截断，未包含细节。）
4. 9.
   跨领域数据架构约束、算法脆弱性和未来方向
   （本节应批判性综合所有领域中识别的约束和未来方向，但原文截断，未包含细节。）
5. 10.
   结论
   （本节应总结关键结论及其对计算ARB监测格局的影响，但原文截断，未包含细节。）