融合多尺度上下文与 Mamba 时序建模的 Himawari-8/9 卫星火点检测

目的针对 Himawari-8/9 卫星影像中早期微弱火点难以准确识别的问题，提出一种融合多尺度空间特征与长时序动态建模的火点检测方法，以提升早期微弱火点识别能力和复杂场景下的检测稳定性。方法构建 Fire-Mamba 火点检测模型。设计多尺度上下文热异常感知模块（Multi-Scale Contextual Thermal Anomaly-aware Module，MCTAM），通过双分支深度可分离卷积联合提取局部热异常信息与大尺度背景上下文信息，增强微弱热异常的空间表征能力；在此基础上，引入 Mamba 时序建模模块，对逐像素时序特征进行长程依赖建模，以刻画火点从初始热异常到持续扩展的动态演化过程；同时结合焦点损失函数缓解火点像素稀疏带来的类别不平衡问题，并采用滑动时间窗口实现逐时刻火点预测。结果在6起真实森林火灾事件上的实验结果表明，所提方法在火点识别率、总体准确率和漏检率方面优于各对比方法；但其误报率高于较为保守的JAXA（Japan Aerospace Exploration Agency， JAXA） WLF L2（Himawari Wildfire Product Level 2， WLF L2）产品， 说明模型在误报抑制方面仍存在进一步优化空间。模型火点准确率（FA）达到 90.33%，总体准确率（OA）为 99.60%，漏检率（OFR）为 9.67%，误报率（FAR）为 18.80%，在复杂背景、弱小火点和火灾早期阶段均表现出较好的检测能力与时序稳定性。可视化结果进一步表明，该方法能够获得边界更完整、连续性更强的火点响应，对早期火情具有更高敏感性。结论所提 Fire-Mamba 方法能够有效融合多尺度空间信息与长时序演化信息，提升 Himawari-8/9 卫星早期火点检测的准确性，可为近实时野火监测与早期预警提供技术支持。