GIS, Remote Sensing and Machine Learning Applications for Forest Fire Mapping, Susceptibility Assessment and Risk Analysis: A Systematic Review
这项对51项研究进行的系统综述强调了随机森林和XGBoost等机器学习模型，结合MODIS和Sentinel-2等遥感数据，在森林火灾制图和风险评估中日益增长的主导地位，同时也指出了非洲研究在地理分布上的关键空白，并呼吁未来在数据分辨率、模型验证和全球覆盖范围方面取得进展。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
森林火灾不仅仅是烟雾与火焰交织的壮观景象；它们是重塑景观、改变我们呼吸的空气并威胁社区的强大力量。为了管理这些风险，科学家需要准确了解火灾在何处发生过、破坏程度有多严重，以及下一场火灾可能从哪里开始。几十年来，收集这些信息需要地面上的团队进行工作，这是一个缓慢且危险的过程，无法覆盖广袤而偏远的森林。如今，视角已从地面转向天空。绕地球运行的卫星充当着常驻的观察者，捕捉地球表面可见光及其他不可见波长的图像。这些图像揭示了植被的变化和热量，从而发出火灾存在的信号。通过将这些卫星图像与能够识别模式的计算机程序（即机器学习）相结合，研究人员现在可以以前所未有的速度和规模来绘制火灾受损图并预测未来的风险。
Lucius Malalu 和 Henry Chinthuli 的一项最新系统性综述汇集了该领域的最新成果，探讨了如何利用这些技术来理解森林火灾。研究人员审查了 2021 年至 2026 年间发表的 51 项研究，寻找绘制过火区域和评估火灾危险的最有效方法。他们的目标是观察科学家最常使用哪些工具、研究主要发生在哪些地区，以及仍存在哪些挑战。该综述揭示了一个快速发展的领域，正从简单的手动检查转向复杂的自动化系统，这些系统可以处理海量数据，以保护森林和人类。
研究人员发现，这项工作高度集中在亚洲，亚洲的研究占了所审查研究的近三分之二。中国、印度和土耳其处于领先地位，而非洲尽管面临显著的森林火灾风险，却仅由四项研究代表。这一差距表明，尽管技术正在进步，但其应用尚未在全球范围内实现均匀分布。在工具使用方面，综述强调 MODIS 卫星传感器是最受欢迎的选择，出现在 2-7 项研究中。该传感器因其能够频繁拍摄地球图像而受到重视，使科学家能够追踪火灾的发生过程。Sentinel-2 则提供了更清晰、更详细的图像，是第二常用的工具。传感器的选择通常取决于具体需求：MODIS 用于观察随时间变化的宏观全景，而 Sentinel-2 则用于观察特定过火区域的精细细节。
在分析这些图像的计算机程序方面，机器学习已成为标准。最常用的模型是随机森林（Random Forest），这是一种通过构建许多决策树来进行最终预测的方法，出现在 28 项研究中。紧随其后的是 XGBoost 和支持向量机（Support Vector Machines）。这些程序经过训练，可以识别过火土地的独特“特征”。它们会观察广泛的线索，例如地表温度、近期降雨量、地形坡度，以及森林距离道路或城镇的距离。其中一个最常用的线索是被称为归一化植被指数（NDVI）的测量值，它能告诉计算机植物的健康状况。通过将所有这些因素输入计算机，模型可以创建地图，不仅显示火灾烧毁了哪里，还能显示一个区域未来发生火灾的可能性。
尽管取得了这些进展，综述指出技术并非完美无缺。一个主要的障碍是图像的分辨率。如果卫星图像过于模糊，小规模火灾可能会被完全漏掉，或者过火区域的边缘看起来会很模糊。数据质量和可用性也带来了问题，特别是在卫星覆盖不一致或云层遮挡地面的地区。作者指出，虽然模型正在变得更好，但在全球不同地区的工作效果仍不均衡。在一个国家训练的模型可能无法在另一个国家准确运行，因为森林、天气和人类活动各不相同。
根据该综述，未来的发展方向包括填补全球覆盖范围的空白（特别是非洲），并提高数据质量。研究人员被鼓励结合不同类型的卫星图像以获得更清晰的图像，并使用更先进的深度学习技术，这些技术可以从图像本身进行学习，而不需要过多的手动指令。最终目标是建立能够持续监测森林并提供可靠、及时信息的系统，以帮助管理者做出更好的决策。通过完善这些工具，科学界希望将森林火灾的混乱本质转化为一种可控的风险，利用天空中的“眼睛”来保护下方的森林。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。