近日，工学院郑嫦娥教授团队在森林火灾领域发表多篇学术论文，在应用人工智能技术监测林火发生变化方面取得系列新进展。

传统林火蔓延主要进行火线预测，而火灾强度更能有效指导消防救援。研究团队提出了一种基于多源遥感数据并结合深度学习技术的新型时序预测方法，成功实现对火灾辐射功率的动态预测。以火灾辐射功率为核心目标，综合气象、地形与可燃物等遥感数据，构建高质量数据集，开发了一种基于编码器—解码器架构的时序预测网络模型（图1）。此外，研究还系统分析了输入序列长度和损失函数权重对模型性能的影响，探索了深度学习模型的迁移能力及特征的重要性。这一成果在火灾强度预测领域迈出了重要一步，为野火蔓延的动态分析提供了独特视角。相关成果以"A Deep Learning Framework: Predicting Fire Radiative Power From the Combination of Polar-Orbiting and Geostationary Satellite Data During Wildfire Spread"为题，发表在地球科学大类2区Top期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（五年影响因子4.7）上。

图1 开发林火蔓延的火灾强度预测模型

工学院研究生董子勋为论文第一作者，工学院郑嫦娥教授和中国林业科学研究院赵凤君研究员为共同通讯作者。

论文链接:https://doi.org/10.1109/JSTARS.2024.3403146。

针对遥感影像分辨率低导致林火烈度反演准确率不足的问题，研究团队创新将环境辅助特征与遥感特征相融合，提出多层解码模块解决反演中的图像分辨率下降问题。团队提出了一种基于变化检测和Transformer的火烧迹地和林火烈度反演模型（图2），该模型利用融合模块有效地整合了遥感和环境信息以提升模型对不同等级烈度的理解，引入多级特征融合机制成功改善了灾后严重程度估算中的空间分辨率下降问题。相关成果以"Burned Area and Burn Severity Mapping With A Transformer-Based Change Detection Model"为题，发表在地球科学大类2区Top期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（五年影响因子4.7）上。

图2 开发火烧迹地和林火烈度反演的变化检测模型

工学院研究生韩宇鑫为论文第一作者，工学院郑嫦娥教授和生态与自然保护学院刘晓东教授为共同通讯作者。

论文链接: https://doi.org/10.1109/JSTARS.2024.3435857。

针对森林火险预测中光学遥感数据受冠层遮挡严重的问题，研究团队综合运用光学和微波遥感、气象、地形以及人类活动等多源数据，利用微波遥感数据植被光学深度（VOD）与光学遥感数据相结合，构建了一种结合LSTM网络与注意力机制的森林火灾发生预测模型；同时，由于火灾灾情主要因火灾发生且迅速蔓延所致，团队进一步结合火灾发生概率与潜在蔓延情况，通过元胞自动机与蒙特卡洛模拟方法，综合评估森林火灾风险（图3）。相关成果以“Integrating Multi-Source Remote Sensing Data for Forest Fire Risk Assessment”为题，发表在农林科学大类2区期刊《Forests》（五年影响因子2.7）上。

图3开发灾前森林火灾风险评估模型(a)火灾发生概率(b)潜在蔓延(c)火灾风险评估

工学院研究生刘芯竹为论文第一作者，工学院郑嫦娥教授和中国林业科学研究院赵凤君研究员为共同通讯作者。

论文链接: https://doi.org/10.3390/f15112028。

以上研究均得到了国家重点研发计划项目（2023YFC3006800）和国家自然科学基金项目（31971668）的资助。

近年来，郑嫦娥教授团队主持“十四五”重点研发子课题、国家自然基金等项目，利用人工智能技术和空天地数据，在森林火灾的火灾风险评估、发生预测、早期监测、蔓延预测与灾后评估方面取得了一系列创新性成果，为精准防火和消防应急决策提供了科学依据。