摘要
野火的发生频率越来越高、强度越来越大、持续时间越来越长，这推动了基于传感器和人工智能（AI）赋能的早期检测与风险评估系统的快速增长。本文提出了一项系统性文献综述，基于从7511条记录中筛选出的169项研究，对使用卫星与航空遥感、固定摄像头、无线传感器网络以及物联网（IoT）平台，结合机器学习（ML）与深度学习（DL）模型，进行野火监测的技术途径进行了梳理，涉及点火检测、火险气象指数、蔓延预测以及过火区域制图等方面。该综述按感知模态、空间与时间尺度、学习任务、模型类型及部署架构等维度对现有工作进行了归类，并识别了各系统中最常使用的几类环境驱动因素，包括温度、湿度、植被状态、干旱指数以及烟雾或空气质量指标。基于上述分析，综述总结了若干关键技术挑战，包括偏远地区数据稀疏、误报率偏高、边缘计算资源有限以及异构数据流的实时融合困难等问题。作为一项探索性的未来方向，综述讨论了来自野生动物和受管理物种的生物指示信号，并以蜂群为例进行了说明。当前关于蜜蜂生物声学的研究表明，这类技术能够支持蜂群状态检测和环境压力的间接指标评估，但尚未验证其在野火或烟雾检测方面的有效性。因此，本综述仅将蜜蜂生物声学作为未来混合式野火监测系统中一种潜在的互补性环境信号加以提出。
