从卫星火点到可见光 AI：森林火情监测技术路线全解析

在全球范围内，气候变暖、极端高温、干旱、大风天气和人类活动叠加，使森林和草原火灾的防控压力持续上升。近十年，北美、澳大利亚、南美等地都发生过影响巨大的森林火灾和野火事件。森林火灾一旦失控，后果往往不只是林地损失，还会迅速演变为人员伤亡、城镇毁坏、交通中断、空气污染和长期生态破坏。

近年来，国际上多起重大森林火灾和野火事件，都显示出森林火灾在极端天气、复杂地形和人类活动叠加条件下的破坏力：

• 2018 年美国加州 Camp Fire：这场火灾发生于美国加利福尼亚州巴特县。加州消防部门资料显示，Camp Fire 造成 85 人死亡，摧毁 18,804 座建筑，过火面积达到 153,336 英亩。¹
• 2019—2020 年澳大利亚“黑色夏季”山火：这场跨州大火是澳大利亚近几十年来最严重的山火季之一。澳大利亚公共服务委员会资料显示，“黑色夏季”山火造成 33 人死亡，超过 3,000 所房屋被毁，超过 1,700 万公顷土地被烧毁，多地城市和城镇被烟霾笼罩。²
• 2023 年加拿大破纪录野火季：加拿大 2023 年野火季是该国有记录以来最严重的野火季之一，超过 6,000 起野火烧毁约 1,500 万公顷土地，大范围野火烟雾还跨境影响美国多个城市，造成持续空气质量问题。³
• 2023 年美国夏威夷毛伊岛拉海纳大火：美国消防管理局资料显示，2023 年 8 月毛伊岛风驱野火摧毁超过 2,200 座建筑，造成约 55 亿美元损失，拉海纳历史街区受灾最重，超过 100 人死亡；后续拉海纳火灾时间线报告显示，该事件造成 101 人死亡。⁴
• 2024 年智利瓦尔帕莱索地区野火：UNICEF 人道主义报告显示，2024 年夏季智利火灾累计烧毁 64,326 公顷土地，其中受灾最严重的瓦尔帕莱索大区受损面积 14,954 公顷，6,587 栋房屋被完全毁坏，并造成 134 人死亡。⁵

中国近年也发生过多起引发广泛关注的森林火灾：

• 2019 年四川凉山木里森林火灾：2019 年 3 月 30 日，四川省凉山州木里县发生森林火灾，火场位于海拔约 4000 米的原始森林区域。应急管理部消息显示，这场火灾造成 30 名扑火人员牺牲，其中包括 27 名森林消防队员和 3 名地方干部群众。⁶
• 2020 年四川凉山西昌“3·30”森林火灾：2020 年 3 月 30 日，四川省凉山州西昌市发生森林火灾。调查结果显示，火灾造成 19 人牺牲、3 人受伤；各类土地过火总面积 3047.7805 公顷，综合计算受害森林面积 791.6 公顷，直接经济损失 9731.12 万元。⁷
• 2021 年四川凉山冕宁森林火灾：2021 年 4 月，四川省凉山州冕宁县石龙镇马鞍村发生森林火灾。公开报道显示，山火持续多日，火场范围大、烟点多，再次暴露出山地林区火情发现、定位和早期处置的难度。⁸
• 2022 年重庆多地森林火灾：2022 年 8 月，重庆在持续高温干旱背景下多地发生森林火灾。重庆市林业局信息显示，2022 年重庆共发生森林火灾 30 起，受害森林面积约 3056.7 亩，未发生人员伤亡事故和重大以上森林火灾。⁹
• 2024 年贵州多地山火：2024 年 2 月，贵州多地发生森林火情。新华社报道显示，2 月 10 日至 21 日，贵州全省共发生森林火情 221 起，其中已核实为森林火灾的有 11 起，造成人员伤亡 2 人，详细受灾损失仍在调查统计中。¹⁰

这些案例共同指向一个现实：森林火灾一旦错过早期发现窗口，后续扑救难度、人员风险、财产损失和社会影响都会迅速放大。

因此，森林防火的核心目标其实很明确：尽早发现，尽快确认，尽快处置。

中国也在持续强化森林草原火灾预警监测体系。2024 年国家森林草原防灭火指挥部发布的相关意见提出，要建设“六位一体”的火灾监测体系；应急管理部相关解读中也提到，该体系包括卫星监测、航空巡护、视频监控、塔台瞭望、地面巡查、舆情监测等手段。¹¹

这说明，森林火情监测已经不再是单纯依赖人工巡护、塔台瞭望或某一种设备的工作，而是在向多源感知、智能识别、快速核查和闭环处置的方向发展。

但问题也随之而来：技术手段越来越多，卫星、无人机、热成像、可见光视频、AI 识别、大屏平台、移动告警都在进入森林防火场景。对建设单位和使用单位来说，真正困难的不是“有没有技术可选”，而是：

哪种技术适合大范围监测？
哪种技术适合早期发现？
哪种技术误报更容易控制？
哪种技术更容易落地到现有业务系统？
哪种技术最终能让一线人员敢信、愿意用、长期用？

要回答这些问题，就必须先弄清楚当前几类主流森林火情监测技术的边界。

卫星火点识别：覆盖范围大，但不是“万能火警器”

在所有森林火情监测手段中，卫星火点识别是最适合从宏观尺度切入的一类技术。

卫星火点识别通常依赖中红外、热红外等波段。火点或高温热源在这些波段上会比周围背景更“亮”、更“热”，算法再根据亮温、温度差、周边背景和多波段信息，判断某个像元是否存在疑似火点或热异常。

常见算法思路包括：

• 阈值法：给亮温或温度差设置阈值，超过阈值的像元被认为可能存在火点；
• 上下文算法：不只看某个像元自己有多热，还会和周围背景像元比较，看它是否异常偏热；
• 多通道判别：综合中红外、热红外、可见光、近红外等多个波段，排除云、太阳反射、裸地高温等干扰；
• 火辐射功率估算：估算火点释放的辐射能量，用于衡量火点强度；
• 机器学习或集成判别方法：结合多颗卫星、多波段、多时相特征，提高复杂背景下的火点识别能力。

卫星最大的优势，是看得广。

地面巡护、塔台瞭望和固定视频监控都受地形、视野、道路和部署密度限制；卫星则可以覆盖省域、国家甚至全球尺度。对于偏远林区、无人区、边境地区和超大范围林火态势监测来说，卫星能够提供地面手段很难获得的整体视角。

但卫星火点识别也有几个天然限制。

空间分辨率有限，火点坐标不等于真实起火点

卫星火点产品通常不是告诉你“这个精确经纬度正在着火”，而是告诉你：某个像元范围内被识别出了热异常。

美国 NASA 的全球野火系统 FIRMS 地图说明中提到，MODIS 数据中的红色方块大致代表 1 km × 1 km 的像元，VIIRS 则大致代表 375 m × 375 m 的像元；被探测到的火点活动可能只是像元内的一小部分，也可能比像元大得多。¹²

这对一线处置非常关键。

如果值班系统直接把卫星热异常点当作精确火点，可能会出现两个问题：一是定位不够精细，巡查人员到了附近还需要二次查找；二是热异常点本身未必来自森林火灾，还需要结合地表类型、林区边界、村庄位置、历史热源和人工复核进一步判断。

因此，卫星火点更适合提供“疑似线索”，而不是直接替代一线火情确认。

卫星识别的是热异常，不一定都是森林火灾

这是很多人容易忽略的一点。

卫星火点本质上识别的是热异常，而不是语义上的“森林火灾”。一个热异常点可能来自林火，也可能来自秸秆焚烧、工厂高温排放、矿区、城市边缘、村庄生活用火、施工现场，甚至某些固定工业热源。

这一点可以从 FIRMS 的实际地图中直观看出来。

上图是 FIRMS 基于卫星识别出的中国东北及东北亚地区热源分布。可以看到，中国东北地区的红点非常密集。如果不加筛选地把这些红点都理解成森林火灾，显然会严重误导业务判断。实际上，其中很多点并不是森林野火，而更多是人类聚集区热源、工厂热源、农事用火、城市边缘热源或其他非林火热异常。

这也是卫星火点数据用于森林防火时最容易踩坑的地方：它发现的是热异常，不是直接给出“森林火灾确认结果”。

在实际业务中，如果直接把所有卫星热异常都当成森林火情推给值班人员，误报压力会非常大。尤其是在中国很多林区周边，村庄、农田、道路、工矿区和山地林地交错分布。热异常坐标如果不经过林区掩膜、人类活动区剔除、历史固定热源过滤和多源交叉验证，就很难直接作为森林防火告警使用。

所以，卫星火点数据很好，但它需要“再加工”。

真正用于森林防火业务时，往往还需要结合：

• 林地范围和保护区边界
• 村庄、城镇、道路、工矿区分布
• 历史固定热源
• 气象条件和风场
• 地面摄像头或巡护反馈
• 人工核查结果

只有这样，卫星火点才能从“热异常数据”变成更接近业务可用的“森林火情线索”。

极轨卫星和静止卫星：一个看得更细，一个看得更勤

谈卫星火点识别，还需要理解不同类型卫星的工作方式。

常见用于火点监测的卫星，大体可以分成两类：极轨卫星和静止卫星。

极轨卫星可以理解为“绕着地球一圈圈扫过去”的卫星。它不是一直盯着同一个地方，而是随着轨道运动不断扫过全球不同区域。典型的极轨卫星或极轨卫星搭载的传感器包括 Terra/Aqua 上的 MODIS、Suomi NPP 和 NOAA-20/21 上的 VIIRS，以及 Landsat 8/9 上的 OLI/TIRS。它们通常飞得比较低，离地面更近，所以更容易看清地表细节。

不同传感器的空间分辨率差别很大。MODIS 大致是 1 公里级，VIIRS 火点产品大致是 375 米级，Landsat 8/9 的部分光学数据可以做到 30 米级。MODIS 的优势是覆盖宽，NASA 资料显示其可以每 1—2 天覆盖全球一次；Landsat 8/9 则走的是“看得更细”的路线，每颗卫星重访周期为 16 天，Landsat 8 和 9 组合后可以形成约 8 天的重复覆盖。¹³

VIIRS 处在两者之间，既比 MODIS 看得更细，又比 Landsat 更适合日常近实时火点监测。FIRMS 的 VIIRS 火点产品说明列出了 Suomi NPP、NOAA-20、NOAA-21 等多个 VIIRS 数据源；其中 Suomi NPP 的典型过境时间约为当地下午 1:30 和凌晨 1:30，NOAA-20/21 又提供了其他接近时段的观测。¹²

所以，极轨卫星并不是“完全不能连续看”，而是要看卫星数量、轨道、传感器视幅和目标位置。像 MODIS 这类宽视幅传感器，重访可以做到 1—2 天；像 Landsat 这类更高分辨率的卫星，单星重访通常是 16 天，双星组合也只是约 8 天。如果想用极轨卫星实现更密集、接近连续的观测，就需要多颗卫星组成卫星星座或卫星编队。NASA 的 A-Train 就是一个典型地球观测卫星编队案例，多颗卫星沿相近轨道先后飞行，用于组合观测地球系统。¹⁴

但对于森林火点监测来说，目前极轨卫星星座还无法在全球任意区域同时做到“高空间分辨率、高观测频率、近实时、全天候、低误报”。这也是为什么卫星火点更适合做大范围筛查和线索发现，而不是单独承担一线值守中的连续早期告警。

静止卫星可以理解为“长期盯着同一大片区域”的卫星。它相对于地球表面看起来位置比较固定，因此可以高频次重复观察同一区域。它的优点是看得更勤，比如 GOES 和 Himawari 火点探测可以做到约 10 分钟一次，Meteosat 约 15 分钟一次，并且这些数据通常可以在观测后约 20—30 分钟进入 FIRMS。中国的风云四号系列静止气象卫星，例如 FY-4B，也属于这一类静止气象卫星体系。¹⁵

但静止卫星要保持“相对地面不动”的特征，就必须飞行在固定的 36000 km 高的地球同步轨道上。飞得高，才能长期盯住同一大片区域；但也正因为飞得高，单个像元对应的地面范围更大，图像通常不如低轨极轨卫星细。换句话说，这本质上是一个“鱼和熊掌不可兼得”的关系：如果把静止卫星降得太低，它就很难维持相对于地面的同步特征；如果保持同步轨道，它就很难像低轨卫星那样看得细。

所以，这两类卫星的分工可以简单理解为：

极轨卫星：飞得低，看得更细，但不是一直看。
静止卫星：飞得高，看得更勤，但通常看得没那么细。

在森林防火业务中，这个差别很重要。早期小火和细小烟点，可能需要更细的空间分辨率；但火情快速蔓延时，又需要更高频率地更新火场变化。单一卫星很难同时做到“又细、又快、又全天候、又低误报”。

VIIRS 375 米火点产品相比 MODIS 1 公里产品，能够对较小区域的火点有更好的响应，夜间表现也更好。NASA 的 FIRMS 问答资料中提到，VIIRS 375 米火点产品由于空间分辨率更高，对相对较小火点响应更强，夜间表现也有所改善。¹²

Landsat 8/9 的 30 米火点数据看得更细，但它不具备 MODIS、VIIRS 那样的全球每日综合覆盖能力。NASA 相关资料显示，FIRMS 中也可使用 Landsat 8/9 OLI 30 米火点和热异常数据，但其覆盖频率与 MODIS、VIIRS 这类日常全球监测数据不同。¹⁶

静止卫星火点产品则强调高频观测。GOES、Himawari 等静止卫星火点探测可以做到 10 分钟级别更新，Meteosat 约 15 分钟一次，数据通常在观测后约 20—30 分钟进入 FIRMS。¹⁵

这意味着，卫星火点并不是一个单一产品，而是一组不同能力的数据源：

• MODIS：覆盖稳定，空间分辨率约 1 公里；
• VIIRS：空间分辨率约 375 米，对小火和夜间火点更敏感；
• Landsat：空间分辨率可到 30 米，但覆盖频率较低；
• GOES、Himawari、Meteosat，以及中国风云四号系列等静止卫星：观测频率高，但空间分辨率通常较粗。

对森林防火业务来说，合理做法不是迷信某一种卫星，而是根据区域、时效、空间精度和误报控制需求综合使用。

云、烟、地表背景都会影响卫星火点识别

森林火灾往往发生在复杂地形和复杂天气条件下。云层遮挡、厚烟覆盖、地表高温背景、太阳耀斑、裸地、岩石、海岸线、城市热源等因素，都可能影响卫星火点识别效果。

有时候真实火点被云遮住，卫星看不到；有时候非火源热异常被识别出来，形成误报。

所以，卫星火点识别很重要，但它更像森林防火体系里的高空巡查手段：

它适合看大范围、看趋势、看热异常线索；
但它不适合单独承担一线值守中的早期小烟点确认、精细定位和低误报告警。

热成像识别火情：能看热源，但不等于更适合所有森林场景

除了卫星，热成像也是很多森林防火项目中常见的技术路线。

热成像的逻辑很直接：火会产生热，热成像设备可以感知红外辐射，因此理论上可以在可见光条件较差时发现热源。

它的优势主要有三个。

第一，不完全依赖可见光照明。在夜间、低照度环境下，普通可见光相机容易看不清，但热成像仍然可以感知温度差异。

第二，对明火和强热源比较敏感。如果火势已经形成明显热源，热成像通常比普通画面更容易把它从背景中区分出来。

第三，在部分场景下可以减少光照变化干扰。比如逆光、阴影、晨昏色彩变化，这些对可见光识别影响较大，但对热异常识别的影响机制不同。

但是，热成像在森林防火里并不是“装了就万事大吉”。在真实山地林区场景中，它至少面临以下几个问题：抗遮挡能力差、误报率高、图像细节有限、监测距离和覆盖成本受限。¹⁷

早期火情最有价值的信号，往往不是明火，而是烟

森林防火最关键的是早发现。

但早期火情，尤其是远距离监控场景中，画面里最先出现的往往不是清晰火焰，而是淡烟、细小烟羽、烟柱形态变化。很多时候，火源可能被植被、地形、建筑或山体遮挡，真正先进入视野的是烟。

这恰恰是热成像的一个现实短板。

热成像主要感知的是目标表面的热辐射。如果火源被树冠、山体、坡面、建筑、浓烟或其他物体遮挡，热成像很难直接看到被遮挡火源的热特征。在林下火、山背面火、山坳火等场景中，热源即使真实存在，也可能无法直接暴露在热成像视野里。¹⁷

也就是说，热成像对“已经暴露出来的明显热源”更友好，但森林火灾早期最需要发现的，往往是远距离、低对比度、部分遮挡条件下的烟。

热成像也会误报，因为热源不等于火情

热成像能看到热，但“热”不等于“森林火灾”。

在森林和山地环境里，太阳晒热的岩石、建筑屋顶、车辆、输电设施、烟囱、施工设备、村庄热源、反射热源，都可能形成干扰。在强日照条件下，屋面反光、水面反光、车辆经过等，也可能触发热异常报警。¹⁷

如果系统只根据热异常报警，就可能把很多非火情热源也推给值班人员。对于一线来说，这类误报同样会带来反复核查和告警疲劳。

所以，热成像不是没有误报，而是误报类型与可见光不同。

热成像图像细节有限，不利于人工理解现场

热成像图像本质上是根据温差成像。它可以帮助发现热源，却不一定擅长表达真实场景的纹理、颜色、烟羽形态、地物关系和环境上下文。

在森林防火值班场景中，工作人员不仅想知道“这里有热源”，还想知道：

这是山谷里的烟，还是村庄炊烟？
是工地扬尘，还是真实火情？
是云雾飘过，还是烟羽扩散？
是火线，还是夜间固定灯光？
火点大概在哪个坡面、哪个方向？

这些判断很多时候需要依赖可见光画面的纹理、形态、颜色、空间关系和场景上下文。热成像可以提供热异常信息，但它并不总是最适合解释复杂现场。

在森林防火场景中，热成像还可能存在图像对比度低、细节分辨能力差、成像质量不高等问题。¹⁷

远距离、大范围林区监测中，热成像成本和部署压力更高

相比普通可见光摄像头，热成像设备价格通常更高，尤其是远距离、大倍率、双光谱云台设备，前端采购和维护成本都会增加。

更现实的问题是：森林防火不是看一个院子，也不是看一个厂区，而是动辄覆盖几千公顷甚至上万公顷的山地林区。如果单点热成像设备的有效探测距离有限，那么为了覆盖同样面积，就需要更多点位、更复杂的供电和传输条件，以及更高的建设成本。¹⁷

而很多林区、景区和重点防火区域已经建设了大量可见光球机、高点监控、铁塔摄像头和视频平台。如果为了热成像重新加装双光谱设备，硬件采购、施工、供电、网络链路、平台适配和后期维护都会增加成本。

这也是很多项目落地时容易遇到的问题：技术看起来更“硬核”，但整体改造成本高，部署周期长，最后未必比复用已有可见光摄像头更划算。

所以，热成像适合作为重要补充，尤其适合夜间和明显热源场景。但如果把它当作森林防火的唯一核心手段，就容易高估它的适用范围。

可见光视频识别：最接近一线值守，但难点在误报和漏报

如果说卫星解决的是“大范围发现线索”，热成像解决的是“热异常补充感知”，那么可见光视频识别更贴近一线值守中的一个核心问题：

能不能从真实监控画面中尽早发现烟火，并把值得关注的告警推给人。

可见光视频监控有一个非常现实的优势：很多地方已经有摄像头了。

林区高点、景区、铁塔、瞭望台、重点防火区域，往往已经建设了可见光球机或视频监控系统。对用户来说，最理想的升级方式不是推倒重建，而是在现有监控资源上叠加智能识别能力。

可见光视频识别的优势主要有四个。

它能直接看到烟和火的视觉形态

森林火情早期，烟往往比火更早进入监控画面。

可见光图像可以捕捉烟羽形态、扩散方向、颜色、边界变化、与地形背景的关系。这些信息是判断早期火情的重要线索。

比如，一团云雾可能边界柔和、范围较大、随山谷湿度变化缓慢；施工扬尘可能来源固定、贴近道路或工地；真实烟羽则可能具有持续上升、随风漂移、源点相对固定、颜色和透明度逐渐变化等特征。

这些判断都更依赖可见光画面。

它更容易结合人工复核

森林防火告警不能只让系统自己“说了算”。

一线值班人员需要看到原始画面、历史帧、连续动画、告警前后变化，才能判断这到底是火情、云雾、扬尘还是炊烟。

可见光画面对人工最友好。系统报警后，工作人员可以直接查看图像证据，而不是只面对一个抽象热异常点或一个红外高温区域。

这也是可见光视频识别非常适合一线值守体系的原因：它不仅服务算法，也服务人工确认。

它更适合复用现有监控系统

可见光摄像头部署量大、成本相对低、平台兼容性强。很多项目可以直接接入已有视频流，不必重建前端硬件。

这对森林防火项目非常重要。

现实中，很多地方不是没有摄像头，而是摄像头已经装了很多，但主要依赖人工盯屏，缺少稳定可用的智能识别能力。此时如果能在原有视频系统上叠加 AI 识别、告警推送、火点定位和大屏展示，落地阻力会小得多。

它可以承载更多现场上下文

可见光画面不仅有烟火目标，也包含大量场景信息。

例如：

某片区域长期是村庄；
某条道路经常有施工扬尘；
某个山谷早晨常有雾气；
某个方向夜间有固定灯光；
某个坡面在夕阳下容易出现强反光；
某些季节经常出现农事用火或炊烟干扰。

这些“现场知识”对于减少误报非常关键。

传统算法往往只看目标特征：像不像烟，像不像火。但真实业务里，更重要的是判断：这个异常在这个位置、这个时间、这个场景下，是否真的值得报警。

这正是可见光 AI 识别继续提升的空间。

三种技术路线的关系：不是谁取代谁，而是各有分工

更合理的森林火情监测体系，应该是多技术协同，而不是单一路线包打天下。

卫星适合做大范围监测

卫星可以提供宏观线索，尤其适合偏远地区、无人区、大范围林火态势分析和灾后复盘。

但它的像元大小、观测频率、误报来源和精确定位能力，决定了它很难直接替代地面视频值守。

热成像适合补充夜间和强热源监测

热成像对热异常敏感，适合发现明显热源，尤其在夜间有一定优势。

但它对早期烟羽、遮挡场景、场景解释、已有系统复用和成本控制并不总是最优解。

可见光 AI 视频识别更适合贴近一线值守

可见光视频能够利用已有监控资源，直接观察烟火形态，便于人工复核，也更容易和大屏展示、手机通知、火点定位、现场处置流程结合。

所以，森林防火智能化的关键不是选择一个听起来最先进的概念，而是选择一套能在真实业务中运行的组合。

在大量已有摄像头的现实条件下，基于可见光视频的 AI 火情识别，往往是最容易落地、最容易复用、也最接近一线值守需求的路线。

观天者的大模型火情识别

观天者做森林防火视频监控，不是因为可见光没有缺点，而是因为它最贴近真实场景。

一线真正需要的系统，不是只在演示环境里识别一团明显火焰，而是要在连续、复杂、海量的视频画面中，稳定发现值得关注的火情线索，并尽量减少无效告警。

我们的方案出发点很明确：

用可见光摄像头获取真实场景，用多模态大模型理解画面，用现场知识持续压低误报，用告警、定位、展示和通知形成完整闭环。

不是只判断“像不像烟火”，而是判断“该不该报警”

传统识别系统容易把很多“像烟”的东西都当成火情：云雾、扬尘、施工烟尘、炊烟、逆光、山谷雾气，都可能触发误报。

观天者方案更强调“现场知识注入”。

系统不仅看图像本身，还会结合特定点位的背景知识、历史误报样本、固定干扰区域、现场人员反馈，对识别逻辑进行持续优化。

例如，在某些山谷视角中，道路施工烟尘可能与火情烟雾非常相似。系统前期可能会将其识别为疑似火情；但经过现场核实后，可以把这类区域、这类烟尘形态和相关负样本注入识别流程，使后续告警被有效抑制。

现场知识注入前，模型多次识别该视角左侧山谷地区有烟雾，发出火情警报，其特征与火情非常相似。

经现场人员核实，该区域为道路施工，其烟雾是施工导致的，应对其进行排除。我们添加负样本和相关说明案例后，该区域的烟雾火情警报被有效抑制，并立刻生效。

不是“宁可多报”，而是追求“告警有价值”

森林防火系统当然不能漏报，但误报太多同样会毁掉系统。

误报的成本不只是“识别错了几次”。更大的问题是值班人员被反复打扰、频繁核查，久而久之会降低对系统告警的信任。一个总是误报的系统，即使偶尔报对了，也很难真正进入一线工作流。

所以，我们追求的不是“多报一点看起来更安全”，而是让系统尽可能做到：

该报的尽早报；
不该报的少打扰；
一旦报警，就值得人工认真看一眼。

在真实场景验证中，我们基于北美公开森林防火摄像网络精选 200 余个摄像头，持续一周进行火情识别测试。经人工核查，在已验证的显著火情过程中，系统漏报率为 0；在单帧识别层面，漏报率低于 1%；完成现场知识注入后，误报率可控制在 1% 以下。

这类指标真正有意义的地方，不是用来堆参数，而是说明系统可以在大规模真实监控画面中持续运行，而不只是识别几张演示图片。

不只识别，还要帮助定位和处置

很多系统的问题是：它只能告诉你“某个摄像头里有异常”，但不能进一步帮助你判断“火点大概在哪里”。

而在真实处置中，发现火情只是第一步。值班人员还需要快速判断方向、距离、坡面、可能区域，然后安排人员核查或调度处置力量。

因此，观天者系统在识别到疑似火情后，可以进一步结合摄像头视角、画面目标位置和地图信息，对火点方向和疑似区域进行估算，并在地图上辅助标注。

这样，系统不只是“报警器”，而是能帮助用户从发现异常更快走向核查和处置。

不推倒重来，尽量复用现有摄像头和平台

森林防火项目最怕重建设、轻运营。

很多地方已经有摄像头、有铁塔、有网络、有平台，真正缺的是稳定可靠的智能识别能力。

观天者方案支持在较大程度上复用既有可见光监控系统，把已有视频流接入识别服务，降低改造成本和部署阻力。对于网络隔离、安全要求高、数据敏感的单位，也可以支持内网私有化部署。

这对一线单位很重要：

能复用的复用；
能接入的接入；
能私有化的私有化。

系统不是为了好看，而是为了能落地、能运行、能维护。

真实案例：从公开摄像网络验证，到一线林区持续优化

观天者森林防火智能监控系统不是停留在演示环境里的概念验证，而是在真实监控画面和真实林区场景中持续打磨。

北美公开森林防火摄像网络持续验证

我们曾持续抓取北美公开森林防火摄像网络中的大量真实画面，并从中精选 200 余个摄像头，对其持续一周进行火情识别测试。

这批画面覆盖白天、夜间、远距离烟羽、明显火光、复杂背景等不同情况。经人工核对，在已验证的显著火情过程中，系统漏报率为 0；在单帧识别层面，漏报率低于 1%；结合场景经验注入现场知识后，误报率可控制在 1% 以下。

这个案例说明，系统不是只能适配单个点位，而是具备跨场景、大规模、连续视频画面的识别能力。

案例要点：

• 公开森林防火摄像网络真实画面
• 200 余个摄像头持续一周测试
• 覆盖白天与夜间火情
• 已验证显著火情过程漏报率为 0
• 单帧漏报率低于 1%
• 注入现场知识后误报率低于 1%

火情案例：

西昌一线林区监控点位持续优化

在西昌某合作场景中，我们针对当地森林防火需求部署了 4 个真实监控机位，并持续跟踪识别结果。

前期系统已经能够识别秸秆焚烧烟、人类生活用火形成的炊烟等异常烟雾目标，但在复杂真实环境下仍有少量误报。随后，我们结合现场人员反馈，对当地环境特征、典型干扰因素和负样本进行持续整理与注入。

经过这一轮贴近现场的知识迭代后，系统已实现该场景下的日常零误报运行，并持续处于稳定保障状态。

这个案例体现的不是“算法一次性完美”，而是另一件更关键的事：系统能够把一线经验快速转化为识别能力，在不依赖复杂重训的前提下持续降低误报。

案例要点：

• 西昌一线林区 4 个真实监控机位
• 前期已可识别秸秆焚烧烟与炊烟等异常目标
• 结合现场核实结果持续注入现场知识
• 对负面案例进行针对性标记与优化
• 当前已实现日常零误报
• 仍在持续稳定保障中

火情案例：

森林防火智能监控，最终比的是长期可用

森林防火不是算法比赛，也不是演示项目。

真正的一线系统，要面对的是连续运行、复杂天气、复杂地形、复杂人类活动和长期值守压力。它必须同时解决几个问题：

• 能不能早发现
• 能不能少漏报
• 能不能少误报
• 能不能帮助人工快速核查
• 能不能复用已有系统
• 能不能根据现场反馈持续优化

卫星火点识别、热成像识别、可见光视频识别都很重要，但它们解决的问题不完全一样。

卫星适合宏观监测。
热成像适合热异常补充。
可见光 AI 视频识别更适合承担一线视频监控中的早期发现、人工复核和告警闭环。

观天者森林防火智能监控方案，正是围绕这一需求构建：

基于现有可见光摄像头；
利用多模态大模型进行烟火识别；
通过现场知识注入持续降低误报；
支持火点定位、地图标注、大屏展示和移动端通知；
支持复用已有监控系统和私有化部署。

我们追求的不是一个“看起来先进”的火情识别概念，而是一套真正能在真实林区、真实监控画面、真实值守体系中长期运行的森林防火智能监控能力。

因为森林防火真正需要的，不只是看见火，而是更早发现、更准判断、更快响应。

主要参考资料

1. CAL FIRE: Camp Fire Incident: https://www.fire.ca.gov/incidents/2018/11/8/camp-fire/ ↩︎

2. Australian Public Service Commission: Black Summer: https://www.apsc.gov.au/state-service/state-service-report-2019-20/chapter-1-commitment-service/black-summer ↩︎

3. AFSC: Preparing your farm for wildfire season: https://afsc.ca/news/preparing-your-farm-for-wildfire-season/ ↩︎

4. U.S. Fire Administration: Preliminary After-Action Report: 2023 Maui Wildfire: https://www.usfa.fema.gov/blog/preliminary-after-action-report-2023-maui-wildfire/ ↩︎

5. UNICEF: Chile Humanitarian Flash Report No.2 (Wildfire), 07 March 2024: https://www.unicef.org/media/153531/file/Chile-Humanitarian-Flash-Report-No.2-%28Wildfire%29-07-March-2024.pdf ↩︎

6. 中华人民共和国应急管理部：四川凉山木里森林火灾情况通报: https://www.mem.gov.cn/xw/bndt/201904/t20190401_244865.shtml ↩︎

7. 国家森林草原防灭火指挥部办公室：四川西昌“3·30”森林火灾调查结果: https://slcyfh.mem.gov.cn/xxfb/xydt/202012/t20201222_509117.html ↩︎

8. 央视网：四川凉山冕宁森林火灾相关报道: https://news.cctv.com/2021/04/25/ARTI50a1X9D2Q9M9O15A5pZp210425.shtml ↩︎

9. 重庆市林业局：重庆森林防火相关报道: https://lyj.cq.gov.cn/zwxx_237/mtbd/202301/t20230112_11492925.html ↩︎

10. 新华网：贵州多地森林火情报道: https://www.news.cn/20240222/802fe57931df4a4689fe3b0284af2663/c.html ↩︎

11. 应急管理部：关于加强森林草原火灾预警监测体系建设相关解读: https://www.mem.gov.cn/gk/zfxxgkpt/fdzdgknr/202409/t20240930_502744.shtml ↩︎

12. NASA FIRMS: VIIRS Fire and Thermal Anomalies Product: https://firms.modaps.eosdis.nasa.gov/descriptions/FIRMS_VIIRS_Firehotspots.html ↩︎ ↩︎² ↩︎³

13. NASA Terra: MODIS Instrument: https://terra.nasa.gov/about/terra-instruments/modis ↩︎

14. NASA Science: A-Train Satellite Constellation: https://science.nasa.gov/earth-science/a-train-satellite-constellation/ ↩︎

15. NASA FIRMS: Harmonized Geostationary Fire Data: https://firms.modaps.eosdis.nasa.gov/descriptions/FIRMS_Harmonized_Geostationary.html ↩︎ ↩︎²

16. NASA Earthdata: Operational Land Imager (OLI): https://www.earthdata.nasa.gov/data/instruments/oli ↩︎

17. 知乎专栏：《在森林防火中，热成像为何这么鸡肋？》: https://zhuanlan.zhihu.com/p/377825116 ↩︎ ↩︎² ↩︎³ ↩︎⁴ ↩︎⁵