晚春的一個午後，乾燥天氣特報已進入第三天，覆蓋整面牆的野火狀況室螢幕上，一角出現了一個紅點。窗外的風乾燥而強勁，昨天灑下的水早已蒸發。室內只有無線電通訊與敲鍵盤的聲音。操作員立刻放大CCTV畫面，查看熱像儀溫度，並打開附近通報的畫面。要判斷那個紅點是真正的火災、燒田埂產生的煙，還是被夕陽曬熱的屋頂，最多只有幾分鐘時間。在這幾分鐘裡，在人的眼睛掃遍每一個螢幕之前，AI演算法已經做出了初步判斷。

2025年3月在慶尚北道義城郡開始的那場火災，顯示了那個判斷的分量。火勢蔓延到安東、青松、英陽與盈德。官方統計記錄了26人死亡、71人受傷。慶尚北道的暫定森林受損面積為99,289公頃，暫定損失為1兆1,306億韓元。慶尚北道、慶尚南道與蔚山的復原費用估計為1兆8,809億韓元。這些數字之所以不同，是因為受災評估與復原計畫的地理涵蓋範圍與會計分類不同，而不是因為損失在夏天增加了。

用來預防這類火災的AI，分兩大階段運作。機器學習從資料中找出規則，而深度學習則透過多層神經網路更深入地尋找規則。一種預測模型可在起火數天前、甚至長達一個月前，找出處於風險的地點；另一種偵測模型則能在起火後幾分鐘內辨識出火災。

濕度最先變動

較舊的野火風險評估依賴固定的地形與單一張植生指數影像。坡度與樹種每年變化不大，但野火並非只由地形造成。一座昨天安全的山，在雨後濕度驟降時，今天就可能變得危險。因此，森林AI正朝向結合天氣、地形、燃料植生，以及顯示人為進出的社會經濟資料，每天重新計算起火機率的方向發展。

野火資料有一個棘手的不平衡問題：發生火災的日子很少，而未發生火災的日子壓倒性地多。若模型未經處理就以這些資料訓練，只要一律預測為安全的日子就能得到高分，卻會漏掉火災。因此研究者使用SMOTE（Synthetic Minority Over-sampling Technique，合成少數類過採樣技術），以統計方式生成類似的火災日額外樣本，讓模型能平均地學習兩類。他們也使用對未發生火災日進行欠採樣，以及對漏掉火災施以更重懲罰的成本敏感學習。

一項江原道的研究，將此方法應用於2013年至2023年共11年的天氣、森林與人口資料。對於表格型資料，樹狀模型往往勝過深層神經網路，因為其分支決策能處理天氣與地形這類差異很大的變數。在邏輯迴歸、XGBoost、LightGBM、隨機森林與極端隨機樹之中，極端隨機樹以0.839的AUC領先。AUC衡量的是區分火災日與非火災日的能力：1為完美，0.5則與擲硬幣無異。隨機森林在避免漏掉火災方面表現較佳，召回率為0.828。

該研究也使用了SHAP（SHapley Additive exPlanations），這是一種把賽局理論中共同貢獻分配的概念引入預測模型的方法。相對濕度以0.25的貢獻度領先所有變數；濕度下降時風險急劇上升。降水量以0.15緊隨其後，每日最高氣溫為0.05，人口密度為0.04。林木蓄積量、墓地佔比、針葉林佔比與農地佔比也有貢獻。將太白山脈以東、暴露於海風的嶺東，與山脈背後的嶺西分開的區域變數也有類似效果。此結果顯示，除了氣候之外，人為進出與縱火習慣也會提高風險。

針葉樹佔比與林木蓄積量這類燃料變數，不必逐棵樹去測量。包括LSWI、TVDI，以及由無人機雷射掃描產生的樹冠高度模型（CHM）在內的遙測觀測，可以取代實地踏查。利用無人機LiDAR繪製每棵樹的位置、周長與樹冠寬度的研究仍在持續。一項針對越南卡西亞松（Pinus kesiya）的深度學習研究，自動化了單株樹木偵測與樹冠劃分，為野火燃料圖的基礎資料開闢了一條途徑。

江原道的研究是一個地方性的隔日模型，而由蔚山科技大學（UNIST）林正浩教授團隊於2026年在《Communications Earth & Environment》發表的FWI-Net，則能預測未來最多31天的全球火災天氣指數。該指數結合氣溫、濕度、風與雨量，用以顯示可能的火勢蔓延。ECMWF的數值預報在兩週之後準確度迅速下降，而FWI-Net在整個31天區間內將誤差降低了6.6%，第一週更降低了12.4%。改善幅度最大的地方，是野火風險高但預報系統薄弱之處。一篇結合地理空間技術與機器學習成果的國際回顧文獻，得出了類似的結論：結合天氣、地形與人為活動資料的模型，一再勝過僅使用衛星影像或GIS資料的模型。

山上的感測器與天空之眼即時相連

地面上的感測器與天上的衛星注視著同一個時刻。LoRaWAN是一種用於長距離傳輸的低功耗無線方式。在土耳其的Zeytinpark，安裝了80個測量溫度、濕度與一氧化碳的感測器。研究者測試了一個結合自適應加權隨機森林與XGBoost的模型；感測器佈置的涵蓋率計算為95.58%，電池壽命最長達11個月。

一項在西伯利亞克拉斯諾亞爾斯克地區的研究，圍繞野火點畫出從1公里到100公里的六個同心圓區帶。它結合各區帶內30天的天氣與地形時間序列，以XGBoost對火災範圍進行分類，回報88.8%的準確度。作者指出，這是一個經過在地調校的結果，在轉用到另一個大陸之前，需要以當地資料重新校準。

Earth Fire Alliance首批三顆進入運作的FireSat於2026年7月7日進入軌道。官方路線圖從當年年底起為早期使用者提供每日兩次觀測，目標為2028年達成全球取用、2029年一小時內重訪，並鎖定在2030年代初達成20分鐘內重訪。衛星數量與時程可能隨發射與資金而變動。

一篇韓國的遙測回顧文獻也追溯了AI與衛星監測橫跨整個野火週期的情形：起火前的風險預測、火災期間的即時偵測，以及撲滅後的受災面積估算，各需要不同的衛星資料與模型。韓國的天氣衛星GEO-KOMPSAT-2A拍攝自然色的地球影像，可在視覺上區分雲、野火煙霧與塵土，其土壤水分觀測則支援乾旱與野火風險評估。國立山林科學院在國家野火風險預報系統中整合這些資料，並最近推出了在使用者所在位置顯示風險的行動服務。

不論是煙還是雲，相機先做判斷

一旦起火，另一場競賽便開始：必須在煙擴散之前，於幾分鐘內辨識出火災。固定的CCTV與紅外線相機從下方監看，而無人機則涵蓋難以到達的山脊與死角。可見光相機可能被霧霾、雲或傍晚的反光所欺騙。熱像儀能偵測熱能，但影像粗糙，可能把燃燒的樹木與被曬熱的岩石混淆。

以中國福建省資料訓練的EFFNet，結合了可見光與熱紅外線影像。其驗證mAP50為97.2%，精確度為94.9%，召回率為94.1%；這些是在福建測試條件下的結果。Akhyar及其同事開發了DeepFire S3GA-Net，用以從無人機影像中分割野火區域。測試資料得出平均IoU為0.8723，精確度為0.9347，召回率為0.9194。Hindarto及其同事在另一個野火影像資料集上比較了MobileNetV3、ResNet50與YOLOv8。針對越南卡西亞松（Pinus kesiya）的YOLO分割與SAM2的比較，涉及的是單株樹木與樹冠的劃分，而非野火研究。

當模型各說各話

這些結果並非全都說著同一件事。僅使用天氣的傳統火災天氣指數模型，能辨識出大範圍的區域趨勢，卻無法區分在相同天氣下哪一小片森林會起火。針對江原道、摩洛哥與印度的研究回報，加入人口密度、農地與墓地佔比、與道路距離等社會經濟變數之後，AUC與召回率提升了10到15個百分點。即便在完全相同的天氣下，在人們頻繁造訪或附近有農地與墳墓之處，實際起火的可能性更高。

僅有可見光的相機價格低廉，但在起霧、逆光與夜間條件下，誤報與漏報會上升。像EFFNet那樣的雙模態設備表現強勁，但紅外線感測器昂貴且影像解析度較低。一個涵蓋整座山的地方政府，仍必須在密集部署廉價可見光相機與稀疏部署昂貴雙模態相機之間取得平衡。

侷限必須明白說清楚。SMOTE可能引入人工的樣式；LTE與5G在深山中經常失效；誤報會浪費消防員、直升機與預算，而漏報則延誤初期反應。像NVIDIA Jetson這樣的邊緣AI電腦必須在無人機上完成運算，但若模型無法壓縮，決策就會變慢。表現優異的視覺Transformer與3D CNN，對於必須以自己名義批准機器決策的官員來說，也仍然難以解釋。未來的工作朝兩個方向前進：透過SHAP或Grad-CAM把理由可視化，並把熱與風的物理嵌入神經網路；以及將低功耗感測器網路與雙模態無人機連結起來，同時測量端到端的警報時間。有人提出了針對野火、病蟲害與乾旱逆境的統一網路，但一個能在山中一分鐘內完成行動、充分驗證過的自主反應系統，尚未獲得證實。

資料來源與參考文獻

1. Akhyar, A., Lee, J., Shahar, N., Saputro, A. H., & Zulkifley, M. A. (2026). Automated forest fire detection in ecological monitoring using enhanced deep learning networks. Scientific Reports, 16, Article 2039. https://doi.org/10.1038/s41598-025-31707-6

2. Amoah-Nuamah, J., Child, B., Okyere, E. Y., Adams, O., & Danquah, J. A. (2025). Applications of artificial intelligence in forest health surveillance and management. Discover Forests, 1, Article 56. https://doi.org/10.1007/s44415-025-00061-w

3. Earth Fire Alliance. (2026, July 7). Earth Fire Alliance's first three operational FireSats reach orbit. https://earthfirealliance.org/news-article/earth-fire-alliances-first-three-operational-firesats-reach-orbit/ （擷取於2026年8月2日）

4. Hindarto, D., Sani, A., & Gunawan, A. (2026). Deep learning-based forest fire classification using MobileNetV3, ResNet50, and YOLOv8. Journal of Computer Networks, Architecture and High Performance Computing, 8(2), 193-204. https://doi.org/10.47709/cnahpc.v8i2.8112

5. Kang, Y., Lee, S., Cho, D., et al. (2026). Deep learning-based forecasting provides a pathway to closing wildfire information gaps in underserved regions. Communications Earth & Environment. https://doi.org/10.1038/s43247-026-03692-9

6. Kundu, S., Ninoria, S. Z., Chaturvedi, R. P., Mishra, A., Agrawal, A., Batra, R., Dubale, M., & Hashmi, A. (2025). Real-time deforestation anomaly detection using YOLO and LangChain agents for sustainable environmental monitoring. Scientific Reports, 15, Article 39961. https://doi.org/10.1038/s41598-025-23617-4

7. Lee, C., Choi, E. H., Han, Y., & Lee, Y. (2025). Year-round daily wildfire prediction and key factor analysis using machine learning: a case study of Gangwon State, South Korea. Scientific Reports, 15, Article 29910. https://doi.org/10.1038/s41598-025-15508-5

8. Malashin, I. P., Masich, I., Nelyub, V., Borodulin, A., Gantimurov, A., & Tynchenko, V. (2025). Assessing wildfire extents in Siberian forests using machine learning. Scientific Reports, 15, Article 32834. https://doi.org/10.1038/s41598-025-17465-5

9. Mousa, M. H., Algamdi, A. M., Fouad, Y., & Elshewey, A. M. (2026). CNN-MLP framework for forest burned areas prediction using PSO-WOA algorithm. Scientific Reports. https://doi.org/10.1038/s41598-026-35836-4

10. Nguyen, T. T., Phan, V. T., Nguyen, T. H., & Duong, T. D. (2026). Individual tree detection and crown segmentation for Pinus kesiya using UAV-LiDAR and deep learning models. Dendrobiology, 95, 156-169. https://doi.org/10.12657/denbio.095.011

11. Radhi, A. A., & Ibrahim, A. A. (2026). An intelligent IoT-machine learning framework for wildfire detection and prediction using a hybrid RF-XGB model. Scientific Reports. https://doi.org/10.1038/s41598-026-52395-w

12. Vibhandik, P., Sawant, S., Joshi, A., & Bidwe, R. (2026). A systematic literature review on forest fire susceptibility mapping using geo-spatial technologies and machine learning. Discover Artificial Intelligence, 6, Article 396. https://doi.org/10.1007/s44163-026-00921-0

13. Yang, D. Q., & Wu, J. J. (2026). Deep-learning detection of early forest fires from UAV visible-light and thermal-infrared fused imagery. National Remote Sensing Bulletin, 30(6), 1647-1663. https://doi.org/10.11834/jrs.20265227

14. Yang, S., Kim, W., Sung, T., Lee, S., Lee, G., Xu, Z., & Im, J. (2026). Satellite-based wildfire monitoring across the fire lifecycle using artificial intelligence: trends, challenges, and future directions. Korean Journal of Remote Sensing, 42(3), 315-341. https://doi.org/10.7780/kjrs.2026.42.3.3

15. National Institute of Forest Science. (2026). National Wildfire Risk Forecast System. https://forestfire.nifos.go.kr （擷取於2026年8月2日）

16. Korea Forest Service. (2025, April 18). Provisional wildfire damage in North Gyeongsang, South Gyeongsang, and Ulsan: 104,000 ha; Korea Forest Service commits to recovery. https://www.forest.go.kr/kfsweb/cop/bbs/selectBoardArticle.do?bbsId=BBSMSTR_1036&nttId=3206769 （擷取於2026年8月3日）

17. Government of the Republic of Korea. (2025). Total wildfire recovery support of KRW 1.8809 trillion, the largest ever. https://gonggam.korea.kr/newsContentView.es?content=NC002&news_id=f4f9ac3e-81e6-4479-a9e2-6f8cf1c6a34b （擷取於2026年8月3日）