跳到主要内容
返回时间线
arXiv来源发表:

野火风险评估改走地理定位融合:RoPE把街景语义锚进卫星图,五类风险调和F1达0.2476

核心概要

野火建筑级脆弱性评估此前难以同时兼顾街区尺度的起火路径与社区尺度的地理覆盖。Wildfire-SSR把灾前街景全景交给视觉语言模型抽成结构化文本,再用经纬度把每条描述锚定到卫星图块内的相对像素位置,经解耦交叉注意力与卫星特征融合。在2025年洛杉矶Eaton与Palisades两场火灾约3.7万栋建筑上,采用旋转位置编码的配置取得建筑定位F1 0.6735和五类像素级风险调和F1 0.2476,优于单模态与无地理锚定的多模态配置。

Source-provided article image: Wildfire-SSR: Geolocation-Aware Multimodal Fusion for Structure-Level Wildfire Risk Assessment
arXiv

深度剖析

建筑级野火风险评估现在可以只靠灾前的卫星图与街景完成,输出每栋建筑的定位与五级风险图,而不必逐栋人工踏勘。 人工巡检细节丰富但难以规模化,纯俯视遥感覆盖广却看不到决定建筑是否点燃的立面条件,而把一张卫星图块与一张街景图一一对应的跨视角融合在社区尺度上算力开销过大。 在2025年Eaton与Palisades火灾约3.7万栋建筑上,完整多模态配置的建筑定位F1为0.6735、五类风险调和F1为0.2476,高于仅用卫星图的0.6527与0.1450、仅用街景文本的0.0884与0.0764,以及无地理锚定多模态的0.6453与0.2115。

做法是把地面证据压成文字再按坐标放回卫星图,让融合发生在语义与位置的对应上,而不是逐像素对齐两种视角。 视觉语言模型GPT-4o从灾前街景全景中抽取屋顶材料、外墙类型、植被与建筑接触等属性,写成结构化键值文本,并用XGBoost递归特征消除把25个属性筛到16个。 冻结的DINOv3卫星预训练编码器提取俯视特征,冻结的CLIP文本编码器编码描述,解耦交叉注意力只把位置嵌入注入查询与键、让值保持纯语义;三种地理嵌入策略中旋转位置编码在真实数据上最强,随机傅里叶特征定位F1为0.6699但调和F1为0.2198,空间网格映射因中等风险类F1为零而使调和F1归零。

整条流程可在单块GPU上跑完整个研究区,使灾前筛查具备可操作的吞吐。 端到端依次执行数据加载、模型推理与地理配准风险图生成,批大小为1且未做并行优化。 在单块NVIDIA RTX A6000上约37分钟完成约36,978栋建筑的评估,纯推理为每块像素图块3.79秒。

启示与展望

演示范围限于2025年洛杉矶Eaton与Palisades两场火灾的野地—城市交界区,输入为WorldView-3约0.30米地面采样距离的灾前影像、2020至2024年的Google街景全景与CAL FIRE灾后损失检查记录,输出为像素级与建筑级风险图;37分钟与每图块3.79秒的计时来自单块RTX A6000上批大小为1的顺序执行,作者说明这是未优化的性能下限。

街景覆盖在空间上不均匀,历史影像可能与灾前卫星图时间错位,树木、墙体或停放车辆会遮挡立面;风险标签由灾后损失相对邻域多数等级的偏差构造,仍继承火行为、扑救动态与邻里效应的噪声;低与中等相邻类别的语义线索细微,更难区分。作者提出后续应引入更丰富的灾前检查数据、地块记录或燃料数据等补充模态,并检验跨区域、跨建筑类型与跨火情制度的可迁移性。