野火监测与预测的空间星座最优规划与机器学习
机器人学
2025-08-18 v2
摘要
我们提出了一种新颖的任务概念，利用最优规划方法和机器学习（ML）收集 unprecedented 的太空数据用于野火监测，处理以创建针对野火危险或传播监测的新型或增强产品，并将其同化以改进现有的野火决策支持工具的交付给消防员的延迟，以适应具有时效性的应用。该概念针对NASA的CYGNSS任务进行研究，该任务由被动微波接收器组成的星座，用于尽管有云和烟雾的情况下测量特定GNSS-R反射。我们的规划器使用混合整数规划（MIP）公式来调度所有卫星的联合观测数据收集和数据下传。快速找到最优解，收集98-100%的可用观测机会。驱动规划器目标的ML基于野火预测，其与地面真实值相关性比现有最先进技术高出40%以上。所呈现的案例研究涉及2024年的TX Smokehouse Creek火灾和2025年加州的火灾，代表了CYGNSS对活跃火灾首次获得高分辨率数据。使用ML处理活跃火灾数据创建烟焰区域图（BAM），并将BAM同化到NASA的气象研究与预测模型中，以神经网络播报火灾传播——这些都是新颖的结果。首次将BAM和CYGNSS获取的土壤湿度整合到美国地质调查局（USGS）的火灾危险图中。将CYGNSS数据纳入ML基于野火的预测可提高准确率13%，而引入高分辨率数据可使ML召回率再提高15%。该提出的工作流程预计延迟为6-30小时，显著优于当前交付多天的时间。所有组件均被证明在计算上可扩展且全球可通用，包括面向小型设备的边缘效率和低延迟等可持续性考量。
引用
@article{arxiv.2508.06687,
title = {Optimal Planning and Machine Learning for Responsive Tracking and Enhanced Forecasting of Wildfires using a Spacecraft Constellation},
author = {Sreeja Roy-Singh and Vinay Ravindra and Richard Levinson and Mahta Moghaddam and Jan Mandel and Adam Kochanski and Angel Farguell Caus and Kurtis Nelson and Samira Alkaee Taleghan and Archana Kannan and Amer Melebari},
journal= {arXiv preprint arXiv:2508.06687},
year = {2025}
}