Достижения в области теплового инфракрасного дистанционного зондирования для обнаружения лесных пожаров

Пожары являются одними из самых разрушительных стихийных бедствий, угрожающих экосистемам, жизни людей и целым экономикам по всему миру. Способность обнаруживать пожары на ранней стадии и точно отслеживать их поведение имеет решающее значение для эффективного подавления и смягчения последствий. За последние два десятилетия тепловое инфракрасное дистанционное зондирование стало мощным инструментом мониторинга лесных пожаров, предлагая возможности, которые не могут сравниться только с видимым светом и радарными системами. Путем измерения тепла, выделяемого пламенем и горячими поверхностями - даже через густой дым - тепловые инфракрасные датчики предоставляют данные, которые необходимы для раннего предупреждения, мониторинга в реальном времени и анализа после пожара. В этой статье рассматриваются основы теплового инфракрасного дистанционного зондирования, последние технологические достижения в датчиках и обработке данных, ключевые платформы и приложения, текущие проблемы и перспективные будущие направления, которые будут способствовать дальнейшему улучшению управления лесными пожарами.

Основы теплового инфракрасного дистанционного зондирования

Термическое инфракрасное дистанционное зондирование опирается на обнаружение электромагнитного излучения в тепловой части спектра, как правило, от 3 до 14 мкм. Все объекты с температурой выше абсолютного нуля испускают тепловое излучение, а интенсивность и длина волн этого излучения напрямую связаны с температурой объекта, как описано законом Планка. Для температур Земли-поверхности пиковое излучение происходит около 10 мкм, что делает эту область особенно полезной для обнаружения лесных пожаров, которые могут достигать температур 800-1200 К.

Как тепловое излучение позволяет обнаруживать огонь

Тепловизионные инфракрасные датчики измеряют излучение в конкретных атмосферных окнах - обычно 3-5 мкм (средневолновой инфракрасный) и 8-14 мкм (длинноволновой инфракрасный) - где поглощение атмосферы минимально. Пожары сильно излучают в инфракрасном диапазоне средней волны, позволяя датчикам отличать их от более холодных фоновых поверхностей. В отличие от датчиков видимого света, тепловой инфракрасный может проникать в дымовые шлейфы, потому что дым в значительной степени прозрачен для теплового излучения на этих длинах волн. Эта способность "видеть сквозь" дым является единственным самым большим преимуществом теплового инфракрасного для обнаружения пожара, поскольку он обеспечивает четкий вид на фронт огня, даже когда видимость близка к нулю.

Основные физические принципы

• Излучение чёрного тела:] Закон Стефана-Больцмана гласит, что общая испускаемая энергия увеличивается с четвёртой силой температуры. Небольшая разница температур огня от фона может производить сильную тепловую сигнатуру.
• Излучательность: Разные поверхности (растение, почва, порода) имеют разную излучаемость, влияющую на измеренное сияние. Современные алгоритмы учитывают изменяющуюся излучаемость, чтобы избежать ложных срабатываний.
• Атмосферные окна:] Диапазон 3-5 мкм особенно чувствителен к горячим целям (пожарам), в то время как диапазон 8-14 мкм лучше для температуры поверхности земли.

Ключевые платформы и датчики для обнаружения лесных пожаров

Тепло-инфракрасное обнаружение пожара осуществляется с различных платформ, каждая из которых предлагает различные преимущества с точки зрения пространственного разрешения, временного охвата и стоимости.Сочетание спутниковых, бортовых и беспилотных систем обеспечивает всестороннюю возможность мониторинга.

Спутниковые системы

Спутники являются основой глобального мониторинга лесных пожаров. Ключевые датчики включают:

• MODIS (Спектрорадиометр с умеренным разрешением) на борту спутников НАСА Terra и Aqua: обеспечивает глобальное покрытие каждые 1-2 дня при тепловом разрешении 1 км. Пожарные продукты MODIS широко используются для обнаружения, картирования сожженной области и оценки огневой радиационной мощности. NASA MODIS
• VIIRS (Visible Infrared Imaging Radiometer Suite) на спутниках Suomi NPP и NOAA-20: Предлагает разрешение 375 м в тепловых диапазонах, удваивая пространственную деталь MODIS. VIIRS может обнаруживать меньшие, более холодные пожары и обеспечивает возможности ночного изображения. NOAA JPSS
• Sentinel-3 SLSTR (Sea and Land Surface Temperature Radiometer) от ESA: Обеспечивает разрешение 500 м для обнаружения пожара и высокую радиометрическую точность. Конструкция Sentinel-3 с двойным обзором улучшает коррекцию атмосферы. ESA Sentinel-3
• Landsat 8/9 TIRS (Тепло-инфракрасный датчик): Предлагает 100 м теплового разрешения, но с 16-дневным временем повторного посещения. Используется в основном для оценки после пожара и отображения топлива, а не обнаружения в реальном времени.
• GOES (Геостационарные эксплуатационные спутники окружающей среды): Обеспечивает съемку каждые 5-15 минут при тепловом разрешении 2 км. GOES идеально подходит для мониторинга прогрессирования огня на больших площадях и обнаружения быстро растущих пожаров.

Воздушно-десантные и беспилотные системы

Для локального, высокодетального мониторинга самолеты и беспилотные летательные аппараты (БПЛА), оснащенные тепловыми инфракрасными камерами, предлагают субметровое разрешение. Эти системы развернуты в следующих ролях:

• Первоначальная поддержка атаки: Дроны обеспечивают тепловое видео в реальном времени для пожарных на земле, помогая им находить очаги пожаров и пути эвакуации.
• Ночные операции: Тепловые камеры на вертолетах позволяют ночью капли воды и строительство линии, продлевая эффективный день пожаротушения.
• Предписанный мониторинг ожогов: Дроны отслеживают интенсивность и распространение контролируемых ожогов, гарантируя, что они остаются в пределах предполагаемых границ.

Недавние достижения в области небольших недорогих тепловых датчиков (например, FLIR Boson, DJI Zenmuse H20T) сделали тепловизионные изображения на основе дронов доступными для многих пожарных ведомств и агентств.

Интеграция нескольких платформ

Наиболее эффективные системы обнаружения пожаров объединяют данные со спутников, самолетов, беспилотников и наземных датчиков. Например, предупреждение о обнаружении пожара VIIRS может вызвать запуск беспилотника для детальной оценки, в то время как изображения GOES обеспечивают контекст большой картины. Такие платформы, как Австралийская система оценки опасности пожара ], объединяют тепловые данные с погодой, влажностью топлива и топографией для создания карт рисков и инструментов поддержки принятия решений.

Достижения в области обработки данных и аналитики

Сырая тепловая инфракрасная съемка не сразу полезна для управления пожаром; ее необходимо обрабатывать для извлечения огневых пикселей, оценки интенсивности пожара и отфильтровывания ложных тревог.Последние достижения в алгоритмах резко повысили точность и скорость этих процессов.

Традиционные пороговые и контекстуальные алгоритмы

Наиболее широко используемые алгоритмы обнаружения пожара — такие как алгоритм MODIS Collection 6 — применяют комбинацию фиксированных порогов и контекстных тестов. Пиксель помечается как потенциальный пожар, если его температура яркости в полосе 4 мкм превышает порог (например, 310 К) и значительно теплее окружающего фона. Дополнительные тесты с использованием полосы 11 мкм помогают устранить нагретые солнцем поверхности и облака. В то время как надежные, эти алгоритмы могут пропустить небольшие или холодные пожары и страдать от высоких показателей ложной тревоги в засушливых регионах.

Подходы машинного обучения и глубокого обучения

За последние пять лет машинное обучение (ML) преобразовало обнаружение теплового пожара. Свёрточные нейронные сети (CNN), обученные на больших наборах данных с мечеными и неогненными пикселями, могут достигать более высокой точности, чем традиционные пороговые методы, особенно для небольших пожаров и сложной местности. Ключевые достижения включают:

• DeepFire и аналогичные модели, использующие мультиспектральные входы (видимые, ближние инфракрасные, тепловые) для классификации огневых пикселей с точностью более 95%.
• Рекуррентные нейронные сети (RNN), которые включают данные временной последовательности для различения устойчивых горячих точек (например, промышленных объектов) от переходных пожаров.
• Передача обучения, которое адаптирует модели, предварительно обученные спутниковым данным из одного региона в другой, с минимальной переподготовкой, ускоряя глобальное развертывание.

Эти модели ML уменьшают ложные срабатывания, вызванные солнечным блеском, горячими дорогами и газовыми вспышками, и могут обнаруживать пожары размером всего в несколько пикселей — серьезное улучшение для раннего обнаружения.

Ложное положительное сокращение

Ложные сигналы тревоги являются постоянной проблемой при обнаружении тепловых пожаров. Общие источники включают:

• Солнечно-нагретые породы и голая почва: В середине дня они могут превышать 350 К и вызывать ложные обнаружения. Контекстные алгоритмы, которые сравнивают полосы 4 мкм и 11 мкм, помогают, поскольку нагретые солнцем поверхности имеют более низкое соотношение 4/11, чем активные пожары.
• Газовые вспышки и промышленные стеки: Они создают постоянные горячие точки. Временные модели машинного обучения могут научиться фильтровать их на основе моделей местоположения и рецидивов.
• Облачные края и солнцезащитный крем: Тепловая и видимая синергия полосы в сочетании с облачными масками уменьшает эти ошибки.

Приложения и выгоды

Практические преимущества обнаружения тепловых инфракрасных пожаров распространяются на весь цикл управления пожарами, от предотвращения до восстановления.

Раннее обнаружение и быстрое реагирование

Раннее обнаружение — в идеале в течение нескольких минут после воспламенения — может уменьшить размер пожара при сдерживании на 50-80% по сравнению с задержками обнаружения на 30 минут и более. Тепло-инфракрасные системы на геостационарных спутниках (например, GOES-16) могут обнаружить пожар размером с автомобиль в течение 5 минут. В отдаленных районах, где нет наземного наблюдателя, спутниковые оповещения часто являются первым признаком пожара. Агентства могут отправлять самолеты и наземные экипажи к точным координатам, предоставленным тепловыми данными.

Мониторинг огненного прогресса

После того, как огонь активен, тепловые инфракрасные изображения помогают командирам инцидентов отслеживать его рост, интенсивность и направление. Измерение огневой радиационной мощности (FRP) - полученное из инфракрасной полосы средней волны - напрямую коррелирует с расходом топлива и излучением дыма. Данные FRP от MODIS и VIIRS используются для моделирования поведения огня, прогнозирования расстояний обнаружения и планирования линий сдерживания. Термические карты в режиме реального времени часто накладываются на платформы ГИС, используемые пожарными командами в полевых условиях.

Оценка и восстановление после пожара

После того, как огонь будет обнаружен, тепловые датчики обнаруживают остаточные горячие точки, которые могут возродиться. Наземные экипажи, оснащенные портативными тепловыми камерами, могут точно определить тлеющие пни и корневые системы, пропущенные визуальным осмотром. Спутниковые тепловые изображения с умеренным разрешением (например, Landsat) используются для картирования тяжести ожогов и оценки смертности от растительности, информируя о послепожарных усилиях по восстановлению, таких как посев и контроль эрозии.

Экологические и климатические исследования

Помимо непосредственного управления пожарами, тепловые инфракрасные данные поддерживают долгосрочный мониторинг окружающей среды. Исследователи используют временные ряды FRP для оценки глобальных выбросов углерода от сжигания биомассы, изучения воздействия пожаров на состав атмосферы и модели обратной связи между пожаром, климатом и землепользованием. Например, Глобальная база данных о пожарных выбросах в значительной степени опирается на спутниковые тепловые данные.

Такие компании, как Planet и Satellogic, запускают созвездия недорогих малых спутников с тепловыми возможностями. В то время как современные небольшие термальные датчики имеют более низкую производительность, чем крупные спутники, их большое количество позволяет часто пересматривать (почасово) и широкий охват. Выделенные созвездия мониторинга огня, такие как предлагаемый FireSat, нацелены на обнаружение пожаров любого размера в течение 15 минут по всему миру с использованием десятков спутников на низкой околоземной орбите.

Искусственный интеллект и прогнозное моделирование

ИИ будет все чаще использоваться не только для обнаружения, но и для прогнозирования. Модели глубокого обучения, обученные историческим данным о пожаре и погоде, могут прогнозировать распространение огня и интенсивность за несколько часов до нескольких дней. Интеграция тепловых данных с другими потоками в реальном времени (ветер, влажность, влажность топлива) в цифровой двойник пожарного ландшафта позволит симуляцию, которая помогает планировать эвакуацию и распределение ресурсов. Краевые вычисления - запуск алгоритмов ИИ на беспилотниках или полезных нагрузках спутников - уменьшат задержку до секунд.

Наземные сенсорные сети

Дополняя космические и воздушные системы, наземные тепловые камеры, установленные на башнях, обеспечивают непрерывный местный мониторинг в районах с высоким риском. Эти датчики могут обнаруживать пожары на самых ранних стадиях — часто до того, как они будут видны с орбиты. При подключении к сети через Интернет вещей (IoT) сеть наземных тепловых датчиков может создать сетку обнаружения пожара, которая немедленно предупреждает сообщества. Пилотные проекты в Калифорнии и Австралии уже демонстрируют этот подход (см. ]ALERTWildfire ).

Заключение

Термическое инфракрасное дистанционное зондирование стало неотъемлемым компонентом современного управления лесными пожарами. От пиксельных масштабов обнаружения небольшого костра геостационарным спутником до непрерывного мониторинга пламени на тысячу гектаров беспилотником тепловые данные обеспечивают основанный на температуре интеллект, который не может предложить никакая другая технология зондирования. Достижения в аппаратном обеспечении датчиков - более высокое пространственное разрешение, более быстрое время повторного посещения и более низкие затраты - сочетаются с прорывами в обработке данных, особенно с применением машинного обучения для различения истинных пожаров от ложных тревог с замечательной точностью. Интеграция тепловых инфракрасных данных с другими методами дистанционного зондирования и с прогностическими моделями создает всеобъемлющую оперативную картину, которая помогает пожарным защищать жизни и имущество, экосистемы и глобальный климат.

Заглядывая вперед, тенденция к меньшим, более дешевым и более многочисленным датчикам - как в космосе, так и на земле - резко сократит разрыв между зажиганием и обнаружением. Гиперспектральные тепловые датчики раскроют детали химии огня и интенсивности, которые в настоящее время невидимы. Искусственный интеллект преобразует необработанные данные в практические прогнозы, позволяя предварительно позиционировать ресурсы до того, как пожар станет неудержимым. По мере увеличения частоты и тяжести лесных пожаров в условиях изменения климата инвестиции в тепловое инфракрасное дистанционное зондирование - это не просто технический вариант - это важный компонент адаптированного к пожару общества.