苏丹冲突相关火灾的近实时检测：基于无监督深度学习
计算机视觉与模式识别
2026-03-03 v3 人工智能
摘要
苏丹持续的武装冲突凸显了对冲突相关火灾受影响区域进行快速监测的必要性。近期深度学习和高频卫星图像的进展使对战区活跃火灾和燃烧痕迹的近实时评估成为可能。本研究提出了一种基于轻量级变分自编码器（VAE）的模型，集成了3米空间分辨率的Planet Labs影像。在有利的观测条件下，这些受影响区域可在约24至30小时内检测到。为实现这一目标，我们将原为10波段影像设计的VAE模型 adapted 以有效处理高分辨率4波段输入。该模型在无监督方式下训练，学习nominal土地表面条件的紧凑潜在表示，并通过量化时序配对潜在嵌入之间的变化来识别燃烧痕迹。对苏丹五个案例研究进行评估，并与余弦距离、CVA和IR-MAD进行比较，使用精确率、召回率、F1得分以及基于时序配对图像块计算的精确率-召回曲线下面积（AUPRC）进行评估。结果表明，所提出的方法在其他方法中始终表现优异，实现了更高的召回率和F1得分，同时在高度不平衡的火灾检测场景中保持可操作的精确率。在8波段影像和时序图像序列实验中仅获得有限的性能提升，凸显了该轻量级方法在可扩展的近实时冲突监测方面的有效性。
引用
@article{arxiv.2512.07925,
title = {Near--Real-Time Conflict-Related Fire Detection in Sudan Using Unsupervised Deep Learning},
author = {Kuldip Singh Atwal and Dieter Pfoser and Daniel Rothbart},
journal= {arXiv preprint arXiv:2512.07925},
year = {2026}
}