随着全球气温升高，世界各地的野火越来越频繁，也越来越危险。许多社区都感受到了野火的影响，人们被迫撤离家园，甚至靠近火场和烟雾也会受到伤害。
Google 的使命是帮助人们在关键时刻获取可信信息，为此，我们使用卫星图像和机器学习 (ML) 来追踪野火并通知受影响的社区。我们的野火追踪器最近进行了扩展。它每 10-15 分钟提供一次更新的火灾边界信息，比同类卫星产品更准确，并且在我们之前的工作基础上有所改进。这些边界显示了美国大陆、墨西哥以及加拿大和澳大利亚大部分地区的大火。它们与当地政府提供的其他信息一起显示在Google 搜索和Google 地图上，让人们能够保证安全并随时了解自己、家或亲人附近的潜在危险。
2021-2022 年 Wrattonbully 丛林大火的实时边界追踪，在谷歌地图上显示为红色多边形。
输入
野火边界追踪需要在空间分辨率和更新频率之间取得平衡。获得频繁边界更新的最具可扩展性的方法是使用地球静止卫星，即每 24 小时绕地球运行一次的卫星。这些卫星保持在地球上方的固定点，持续覆盖该点周围的区域。具体来说，我们的野火追踪器模型使用GOES-16 和 GOES-18卫星覆盖北美，使用Himawari-9和GK2A卫星覆盖澳大利亚。它们每 10 分钟提供一次大陆规模的图像。空间分辨率在天底（卫星正下方的点）为 2 公里，远离天底时分辨率会降低。这里的目标是尽快向人们提供警告，并在必要时将他们转介到权威来源以获取空间精确的地面数据。
浓烟遮蔽了 2018 年加州的 Camp 大火。[图片来自NASA Worldview ]
确定野火的准确范围并非易事，因为火灾会发出大量烟柱，这些烟柱可能会扩散到远离燃烧区域的地方并遮蔽火焰。云层和其他气象现象进一步遮蔽了下面的火势。为了克服这些挑战，通常依靠红外 (IR) 频率，特别是在 3-4 μm 波长范围内。这是因为野火（以及类似的热表面）在这个频带上辐射很大，这些辐射会通过烟雾和大气中的其他颗粒物发生衍射，产生相对较小的扭曲。下图说明了这一点，该图显示了澳大利亚野火的多光谱图像。可见通道（蓝色、绿色和红色）主要显示三角形烟柱，而 3.85 μm 红外通道显示火灾本身的环形燃烧图案。然而，即使有了来自红外波段的附加信息，确定火灾的准确范围仍然具有挑战性，因为火灾的发射强度各不相同，并且多种其他现象会发射或反射红外辐射。
Himawari-8 野火高光谱图像。请注意可见通道（蓝色、绿色和红色）中的烟柱，以及 3.85μm 波段中表示当前燃烧区域的环。
模型
此前，卫星图像火灾探测工作通常基于物理算法，用于从多光谱图像中识别热点。例如，美国国家海洋和大气管理局(NOAA) 的火灾产品主要依靠 3.9 μm 和 11.2 μm 频率（辅以来自其他两个频带的信息）识别每颗 GOES 卫星中的潜在野火像素。
在我们的野火追踪器中，模型会根据所有卫星输入进行训练，从而了解不同频段的相对重要性。模型会接收每个频段的三张最新图像序列，以补偿云层覆盖等临时障碍物。此外，模型还会接收两颗地球静止卫星的输入，从而实现超分辨率效果，检测精度会根据任一卫星的像素大小而提高。在北美，我们还提供上述 NOAA 火灾产品作为输入。最后，我们计算太阳和卫星的相对角度，并将其作为额外输入提供给模型。
所有输入都重新采样为均匀的 1 平方公里网格，并输入到卷积神经网络(CNN) 中。我们试验了几种架构，最终确定采用 CNN，然后采用 1x1 卷积层，以产生针对火灾和云像素的单独分类头（如下所示）。层数及其大小是超参数，针对澳大利亚和北美分别进行了优化。当像素被识别为云时，我们会覆盖任何火灾检测，因为厚厚的云会遮蔽下面的火灾。即便如此，分离云分类任务可以提高火灾检测的性能，因为我们激励系统更好地识别这些边缘情况。
澳大利亚模型的 CNN 架构；北美也使用了类似的架构。添加云分类头可提高火灾分类性能。
为了训练网络，我们使用了来自MODIS和VIIRS极轨卫星的热异常数据作为标签。MODIS 和 VIIRS 的空间精度（750-1000 米）高于我们用作输入的地球静止卫星。然而，它们每隔几个小时才覆盖一次给定位置，这偶尔会导致它们错过快速蔓延的火灾。因此，我们使用 MODIS 和 VIIRS 来构建训练集，但在推理时我们依赖地球静止卫星的高频图像。
即使将注意力限制在活跃的火灾上，图像中的大多数像素目前也没有燃烧。为了减少模型对非燃烧像素的偏见，我们对训练集中的火灾像素进行了上采样，并应用了焦点损失来促进罕见的错误分类火灾像素的改进。
2022 年麦金尼大火的进展边界和附近一场较小的火灾。
评估
来自极地轨道卫星的高分辨率火灾信号是丰富的训练数据来源。然而，此类卫星使用的传感器与地球静止卫星类似，这增加了系统性标记错误（例如与云相关的误检）被纳入模型的风险。为了在没有这种偏见的情况下评估我们的野火追踪器模型，我们将其与当地政府测量的火灾痕迹（即总烧毁面积的形状）进行了比较。火灾痕迹是在火灾得到控制后获得的，比实时火灾检测技术更可靠。我们将每个火灾痕迹与野火期间实时检测到的所有火灾像素的并集进行比较，以获得如下所示的图像。在此图像中，绿色表示正确识别的燃烧区域（真阳性），黄色表示检测为燃烧区域的未燃烧区域（假阳性），红色表示未检测到的燃烧区域（假阴性）。
单场火灾评估示例。像素大小为 1km x 1km。
我们使用精确度和召回率指标 将我们的模型与官方火灾痕迹进行比较。为了量化分类错误的空间严重性，我们取假阳性或假阴性像素与最近的真阳性火灾像素之间的最大距离。然后，我们对所有火灾的每个指标取平均值。评估结果总结如下。大多数严重的误检都是由于官方数据中的错误造成的，例如附近火灾的痕迹缺失。
将我们的模型与官方火灾痕迹进行比较的测试集指标。
我们对美国的野火进行了另外两项实验（见下表）。首先，我们评估了一个早期模型，该模型仅依赖 NOAA 的 GOES-16 和 GOES-17 火灾产品。我们的模型在所有考虑的指标中都优于这种方法，表明原始卫星测量可用于增强现有的 NOAA 火灾产品。
接下来，我们收集了一个新的测试集，其中包含 2022 年美国所有大型火灾。由于模型在火灾季节开始之前启动，因此在训练期间无法使用此测试集。评估此测试集上的性能表明，性能符合原始测试集的预期。
美国火灾模型比较。
结论
边界追踪是 Google 更广泛的承诺的一部分，旨在为人们在关键时刻提供准确和最新的信息。这展示了我们如何使用卫星图像和机器学习来追踪野火，并在危机时刻为受影响的人们提供实时支持。未来，我们计划继续提高野火边界追踪的质量，将这项服务扩展到更多国家，并继续我们的工作，帮助消防部门实时获取关键信息。
致谢
这项工作是 Google Research、Google Maps 和危机响应团队的合作成果，并得到了我们的合作伙伴和政策团队的支持。我们还要感谢我们在世界各地合作的消防部门。
评论