近日，我校森林防火联合科研团队立足工科与生态学科交叉融合发展，在森林火灾复燃AI智能检测领域取得关键性研究进展。相关成果以“Forest fire rekindling detection using dual-branch fusion network for visible-light and infrared images”为题，发表在国际人工智能领域顶刊 Engineering Applications of Artificial Intelligence（中国科学院一区，Top期刊，IF=9.0）。
论文提出了一种面向森林火灾复燃场景的多模态视觉检测框架 MVF-YOLO（Multi-modal Vision Fusion YOLO），通过融合红外热成像信息与可见光图像信息，实现复杂灾后环境下潜在复燃区域的精准识别，为森林火灾扑救后的动态监测和智能预警提供了新的技术方案。
森林火灾复燃是森林火灾防控过程中的重要风险因素。火灾扑灭后，残余热源、阴燃区域以及未完全燃烧的可燃物仍可能再次引发火灾，对生态环境和人民生命财产安全造成持续威胁。然而，灾后环境中复燃目标通常具有目标尺度小、热信号弱、边界模糊以及容易受到烟雾遮挡和复杂背景干扰等特点，传统基于人工巡查、卫星遥感以及单一传感器监测的方法难以满足实时、精准检测需求。
针对上述问题，研究团队提出了一种基于红外-可见光双模态融合的森林火灾复燃检测方法。该方法充分利用红外图像对温度异常区域的敏感特性以及可见光图像对环境纹理和空间结构信息的表达能力，通过多源信息互补，提高模型对早期复燃风险区域的感知能力。
该研究突破了传统森林火灾检测主要依赖单一可见光信息的限制，将红外热信息与可见光场景信息进行深度融合，实现了从传统“火焰识别”向“潜在复燃风险检测”的拓展。研究成果可应用于森林火灾扑救后的无人机巡检、灾后风险评估以及智能化森林防火系统建设，为提升森林火灾全过程监测能力提供重要技术支撑。
论文第一作者为工学院硕士研究生尹东旭，通讯作者为工学院程朋乐教授，生态与自然保护学院刘晓东教授，OB体育（中国）官方网站-OBSPORTS为第一完成单位。研究得到国家自然科学基金（项目编号：32171797）以及教育部春晖计划基金（项目编号：HZKY20220026）的资助。
论文链接：https://doi.org/10.1016/j.engappai.2026.115726
