Глобальна екосистема детекції пожеж 2026: супутники, мережі сенсорів, AI, дрони

4 серпня 2023 року о 06:37 супутник NOAA-20 зафіксував над Лагайною (Мауї) термальну аномалію 470 K. Через 47 хвилин диспетчер CAL FIRE списав сигнал на контрольований випал. Підсумок: 102 жертви, 2 200 знищених будівель. Детекція спрацювала, контур реагування — ні. Цей огляд розбирає глобальну архітектуру виявлення пожеж 2026: полярні й геостаціонарні супутники, камерні мережі, дрони, AI-фьюжн — і місце WildFiresUA у ній.

Чому однієї технології недостатньо

Існує спокуса побудувати систему детекції на одному «срібному болті» — або супутниках, або камерах, або дронах. Жодна з цих технологій окремо не покриває операційні вимоги.

Полярні супутники з сенсорами VIIRS та MODIS дають піксель 375 м або 1 км, але проходять над конкретною точкою лише 4–6 разів на добу. Між пасажами існує сліпе вікно 3–6 годин, упродовж якого пожежа може зрости від точкового джерела до фронту 100 га.

Геостаціонарні платформи GOES-R/MTG спостерігають безперервно з частотою 1–10 хвилин, але мають піксель 2 км і нижчий контраст для малих джерел. Камерні мережі типу AlertWildfire бачать пожежі вночі краще, ніж супутники, але обмежені рельєфом і метеорологічною видимістю. Дрони дають детальну інформацію, але прив’язані до запасу акумулятора 25–60 хвилин і регуляторної рамки прямої видимості пілота.

Justice et al. (2002) у фундаментальній роботі про MODIS Active Fire Product чітко обґрунтували, чому супутникові алгоритми будуються на множині спектральних каналів і просторово-часової узгодженості, а не на одному порозі температури (Justice et al., 2002, Remote Sensing of Environment). Wooster et al. (2012) показали, що навіть для розвинених геостаціонарних платформ MSG SEVIRI повнота виявлення пожеж менше 1 МВт радіаційної потужності становить близько 30%, що відразу ставить вимогу до доповнення геостаціонарних даних полярними сенсорами вищої роздільної здатності (Wooster et al., 2012, Remote Sensing of Environment).

Висновок очевидний: операційна детекція — це багатошарова архітектура з фьюжном даних, а не вибір одного інструмента.

Космічний шар: полярні системи

VIIRS (Visible Infrared Imaging Radiometer Suite) — основа сучасної глобальної детекції. Встановлений на супутниках Suomi NPP (запуск 2011), NOAA-20 (2017), NOAA-21 (2022), VIIRS забезпечує піксель 375 м у режимі I-Band та 750 м у режимі M-Band. Алгоритм VNP14 використовує канали I4 (3,74 мкм) та I5 (11,45 мкм) для розрахунку контрастного індексу між гарячою плямою та фоном. Schroeder et al. (2014) показали, що 375-метровий продукт VIIRS виявляє приблизно у 4 рази більше малих пожеж, ніж 1-км MODIS, при тому ж рівні похибки (Schroeder et al., 2014, Remote Sensing of Environment).

MODIS (Moderate Resolution Imaging Spectroradiometer) на супутниках Terra (1999) та Aqua (2002). Колекція 6 алгоритму MOD14/MYD14 — золотий стандарт науки про пожежі впродовж двох десятиліть, але обидва супутники старіють. Giglio et al. (2016) описують Колекцію 6 як зменшення комісійних помилок на 50% порівняно з Колекцією 5 за рахунок жорсткіших критеріїв сусідства (Giglio et al., 2016, Remote Sensing of Environment).

Sentinel-3 SLSTR від ESA. Два супутники, Sentinel-3A (2016) і Sentinel-3B (2018), несуть Sea and Land Surface Temperature Radiometer з каналами F1 (3,74 мкм) та F2 (10,85 мкм), сконструйованими спеціально для не-насичення на високих температурах: F1 виходить у саторацію близько 650 K замість 470 K, як у VIIRS I4. Це робить SLSTR унікальним інструментом для оцінки інтенсивності великих фронтів. Wooster et al. (2021) детально валідують FRP-продукт SLSTR проти наземних експериментів і отримують похибку RMSE близько 18% (Wooster et al., 2021, Remote Sensing).

NASA FIRMS (Fire Information for Resource Management System) — глобальний дистрибутор продуктів MODIS і VIIRS у режимі, близькому до реального часу. Доступ через FIRMS з затримкою 3 години для стандартного потоку та близько 60 хвилин для US/Canada Land Atmosphere Near real-time Capability for EOS (LANCE-MODIS).

Космічний шар: геостаціонарні системи

Геостаціонари дивляться на одну пів-кулю безперервно. Це робить їх незамінними для відстеження динаміки пожежі впродовж дня.

GOES-R / GOES-18 / GOES-19 від NOAA. Прилад ABI (Advanced Baseline Imager) має 16 каналів, з яких канал 7 (3,9 мкм) використовується для виявлення гарячих плям. Просторова роздільна здатність 2 км у надирі. Алгоритм Fire Detection and Characterization (FDC), описаний Schmidt et al. (2017), забезпечує оновлення кожні 5 хвилин для CONUS і 1 хвилину для меззоскейл-секторів (Schmidt et al., 2017, Atmospheric Environment).

Meteosat Third Generation (MTG-I1) від EUMETSAT, запущений у грудні 2022 року. Прилад Flexible Combined Imager (FCI) має канал 3,8 мкм з покращеним динамічним діапазоном порівняно з SEVIRI. Покриття: Європа, Африка, Близький Схід. Опис місії — на сайті EUMETSAT.

Himawari-9 від JMA — геостаціонар над Тихим океаном, приладом AHI з каналом 3,9 мкм. Покриває Австралію, Південно-Східну Азію, Японію.

FY-3 та FY-4 — китайські полярні і геостаціонарні платформи. FY-3D несе MERSI-II з пожежним каналом 3,72 мкм. FY-4A забезпечує геостаціонарний контроль над Східною Азією. Продукти FY доступні через CMA, але інтеграція у міжнародні фьюжн-системи на 2026 рік обмежена.

Наземний шар: камерні мережі

AlertWildfire — найбільша американська наземна мережа, понад 1 100 камер у Каліфорнії, Неваді, Орегоні, Айдахо, Вашингтоні, Колорадо. Система запущена University of Nevada, Reno у партнерстві з UC San Diego та University of Oregon. Камери високої роздільної здатності з PTZ (pan-tilt-zoom) розгорнуті переважно на гірських вершинах для максимального вьюшеду. Доступ публічний через alertwildfire.org.

Дослідження UC San Diego ALERTCalifornia (опубліковані Govil, Welch, Ball, Pennypacker, 2020) показують, що людський оператор виявляє дим у середньому за 16 хвилин до офіційного виклику 9-1-1, при тому що автоматичний AI-детектор знижує цей час ще на 7–10 хвилин (Govil et al., 2020, Remote Sensing).

Європейський сектор розвиває камерні мережі переважно через комерційних операторів. Великі гравці категорії «AI-камерні детектори» (зокрема американський та європейський лідери) розгортають комбіновані мережі з RGB- і термальних камер з нейромережевим аналізом. Греція, Іспанія, Португалія мають державні CCTV-мережі для лісового моніторингу, інтегровані з регіональними центрами цивільного захисту.

Австралія: Bushfire CRC та CSIRO провели низку валідаційних експериментів з камерними мережами. Allison et al. (2016) аналізують компромісс між кількістю камер, висотою встановлення та повнотою покриття території (Allison et al., 2016, Sensors).

Повітряний шар: літаки і дрони

США оперують флотом MAFFS (Modular Airborne FireFighting System) на C-130 та повітряним сенсорним парком NIROPS (National Infrared Operations) — літаки з тепловізорами, що сканують пожежі вночі для побудови карт фронту. NIROPS — еталон оперативної точності для оновлення тактичних карт. Огляд представлено USFS у програмному документі USFS Aviation.

Канада використовує флоти CL-415/CL-515 для гасіння та літаки FireWatch для розвідки. Австралія — AVIN (Aerial Intelligence Network) з тепловізійними сенсорами на BAe-146.

Дрони сектора UAS / RPA активно тестуються USFS у програмі USFS UAS Program. Restas (2015) дав ранній огляд можливостей мультиспектральних дронів для післяпожежної оцінки (Restas, 2015, Procedia Engineering). У 2023–2025 роках провідні агентства поступово впровадили нічні мультидронні рої для оновлення карт фронту замість дорогих пілотованих літаків.

Програмний шар: AI-фьюжн

Останній шар — програмний — об’єднує сирі дані з різних джерел у єдину оперативну картину. Він не виявляє нічого нового, але виключає те, що не повинно бути виявлене (комісійні помилки) і пріоритезує те, що потребує негайної реакції.

Базові техніки: просторово-часова кластеризація (DBSCAN, ST-DBSCAN), Байєсове злиття (Bayesian fusion) ймовірностей з різних сенсорів, рандом-форест-класифікатори контексту (тип землекористування, попередня історія пожеж, метео).

Сучасні підходи 2024–2026: U-Net та Transformer-моделі для виявлення диму на CCTV (детально розбираємо у статті про AI-детекцію пожеж), федеративне навчання для крос-валідації між регіональними центрами, Graph Neural Networks для моделювання поширення з урахуванням сусідства пікселів.

Pinto et al. (2020) демонструють CNN-сегментацію вигорілих площ за Sentinel-2 з F1 ≈ 0,89 на тестовому наборі по Південній Європі (Pinto et al., 2020, Remote Sensing). Hu et al. (2018) дають огляд CNN-архітектур для відеодетекції диму, з акцентом на проблему помилкових спрацьовувань на тумані та хмарах (Hu et al., 2018, Sensors).

Регіональне порівняння національних систем

Ключове спостереження: наявність камерних мереж відрізняє розвинені пожежні агентства від тих, хто покладається лише на супутники. Камерні мережі — це інвестиція 50–200 тис. євро на одну точку плюс операційні витрати, тому розгортаються там, де ризик пожежі високий і територія компактна (Каліфорнія, Середземномор’я). Для країн з великою територією і нерівномірним ризиком (Бразилія, Канада, Україна) основа залишається супутникова.

Латентність детекції: реальні цифри

Час від виникнення пожежі до підтвердженого алярма — головний операційний показник.

Csiszar et al. (2014) оцінили середню латентність глобальної мережі VIIRS (Suomi NPP) у близько 110 хвилин від спостереження до публікації на FIRMS, з 15-хвилинним медіанним лагом для зон Direct Broadcast у США та Канаді (Csiszar et al., 2014, JGR Atmospheres).

Помилки детекції: комісія і омісія

Жодна система не дає 100% точності. Дві ключові похибки:

Комісійна помилка (false positive): система каже «пожежа», де її немає. Типові причини: гарячі дахи промислових будівель, металургійні факели, сонячні відблиски від водойм, технологічні гарячі плями (доменні печі, нафтогазові смолоскипи), сільськогосподарські випали, що класифікуються як неконтрольовані пожежі.

Омісійна помилка (false negative): система пропускає реальну пожежу. Причини: малий розмір (нижче порога чутливості сенсора), щільна хмарність, рослинна крона що приховує наземну пожежу, нічна пожежа в інтервалі між пасажами полярних супутників.

Schroeder et al. (2014) для VIIRS 375 м оцінили комісійну помилку 1,2% та омісійну 8% на тестовому наборі CONUS. Wooster et al. (2012) для SEVIRI: омісія 70% для пожеж менше 1 МВт. Roberts і Wooster (2008) аналізували FRP-продукт MSG SEVIRI у Африці і показали, що для саванних пожеж типова чутливість становить 25–50 МВт (Roberts et Wooster, 2008, IEEE TGRS).

Окрема велика проблема — насичення сенсорів. VIIRS I4 саторується близько 367 K у режимі fire-detection mode та 470 K при перепрограмованих параметрах. Для дуже інтенсивних пожеж (наприклад, австралійських Black Summer 2019–2020) це означає, що FRP занижується в 2–5 разів. Sentinel-3 SLSTR з каналом F1 (650 K) — найкраще доступне рішення проти насичення для цивільних супутників.

Фьюжн і відкриті стандарти

Сучасний підхід до фьюжну спирається на відкриті стандарти даних. NASA FIRMS публікує точки у форматах CSV, KML, GeoJSON, WMS. Copernicus EFFIS (Європейська служба інформації про лісові пожежі) інтегрує VIIRS, MODIS, MSG SEVIRI, MTG FCI у єдину базу через інтерфейс EFFIS. JRC координує Global Wildfire Information System (GWIS), що збирає дані для 100+ країн.

Українські оперативні служби можуть приєднуватися до EFFIS і GWIS на правах асоційованого користувача. ДСНС України з 2022 року отримує продукти EFFIS у форматах KML і Sentinel Hub WMS. Це створює базис для національної AI-фьюжн-системи, яка приймає вхідні дані з кількох супутникових потоків і формує єдину карту активних пожеж.

Обмеження та відкриті проблеми 2026

Незважаючи на дві декади швидкого прогресу, ключові обмеження залишаються невирішеними.

Підрослинні (subcanopy) пожежі: у щільних бореальних та тропічних лісах піроліз торфу або підстилки може тривати тижнями без видимої з космосу гарячої поверхні. Індонезія — класичний випадок: торф’яні пожежі 2015 року тлі під поверхнею і виявлялися переважно за концентрацією CO у CAMS-моделях, а не за термальною аномалією.

Хмарне покриття: навіть найкращі сенсори не бачать крізь оптично щільні хмари. У Карпатах та Поліссі це означає, що в туман або дощ супутникова детекція тимчасово не працює.

Малі пожежі в умовах низького контрасту: сонячно нагрітий грунт у пустелі або сільгоспугіддях знижує тепловий контраст. VIIRS може пропустити пожежу площею менше 0,5 га у літній полудень над сухим степом.

Поляризація даних і дистрибуції: деякі національні провайдери (Китай FY, Росія Метеор, Індія IRS) не публікують свої пожежні продукти у відкритих стандартах. Це створює прогалини у глобальному покритті, особливо у регіонах з низькою активністю західних супутників.

Wilson et al. (2017) у роботі для IGARSS обговорюють, як майбутні групування супутників (наприклад, EUMETSAT MTG-S, NASA Landsat Next, ESA TRUTHS) можуть закрити частину цих прогалин до 2030 року (Wilson et al., 2017, IGARSS).

Де у цій архітектурі Україна

Україна не має власної супутникової інфраструктури для пожежного моніторингу. Космічний шар будується на основі іноземних супутників: VIIRS (NOAA-20, NOAA-21, Suomi NPP), MODIS (Aqua, Terra), Sentinel-3 (Copernicus). Камерної мережі загальнодержавного масштабу не існує. До 2022 року окремі оператори лісового господарства мали локальні CCTV-камери, але багато з них було пошкоджено війною або переведено на інші пріоритети.

У цьому контексті WildFiresUA — національний пожежний сервіс, побудований командою YourAirTest у партнерстві з ДНУ ім. Олеся Гончара, EcoCity та Arnika — формує перший в Східній Європі повний контур детекції на основі супутників і атмосферного моделювання. Архітектура: VIIRS + Sentinel-3 SLSTR + FIRMS LANCE як вхідні потоки, FLEXPART для прогнозу переносу диму, AI-валідація для зменшення комісійних помилок (наприклад, виключення промислових гарячих плям). Карта активних пожеж публічно доступна на partner.yourairtest.com/map, прогноз переносу диму — на partner.yourairtest.com/forecast.

Чому саме супутникова основа, а не камерна або дронова: Україна має 60+ млн га у відповідних лісових та степових зонах, що робить камерне покриття економічно непосильним без міжнародного фінансування. Дрони обмежені бойовими діями та регуляторною рамкою. Супутники — єдиний шар, що дає національне покриття 24/7. Майбутнє розгортання камерних вузлів у Карпатах і Чорнобильській зоні розглядається як другий шар після зміцнення базової супутникової архітектури.

Підсумок

Глобальна екосистема детекції пожеж 2026 року — це багатошарова архітектура з кількома сотнями технічних та організаційних компонентів. Жоден компонент окремо не достатній. Полярні супутники забезпечують глобальне покриття з частотою 4–6 разів на добу і роздільною здатністю 375–1 000 м. Геостаціонари дають хвилинне оновлення з пікселем 2 км. Камерні мережі дають субхвилинну реакцію на видимість, але обмежені до невеликих зон. AI-фьюжн об’єднує все у єдину оперативну картину.

Для агенцій цивільного захисту критичним є не вибір однієї технології, а побудова інтеграційного контуру: дані з різних шарів стікаються у єдину систему підтримки прийняття рішень, де людина-диспетчер бачить пожежу за 5–15 хвилин, а не за годину. Лагайна 2023 року показала, що навіть за наявних технологій ціна затримки виміряється життями. Україна, маючи зовнішню супутникову інфраструктуру і внутрішню наукову базу, у 2026 році вибудовує національний контур, що відповідає сучасним європейським стандартам.

Українська стартап-екосистема: за матеріалами TechUkraine та AIN.ua — двох провідних видань про український tech, deep tech, climate tech і екологічні стартапи.

Пов’язане читання на yourairtest.com

• Сторінка WildFires проєкту WildFiresUA
• Опис системи моніторингу якості повітря YourAirTest
• Блог YourAirTest з оглядами науки про повітря

MASK0

Пов’язане читання — інші наукові огляди

• AI-детекція пожеж у супутникових даних і відеопотоках 2024-2026: deep learning state-of-art
• Emission factors лісового диму: Andreae 2019, Akagi 2011, та глобальна база GFED
• Атмосферна дисперсія димового шлейфу: HYSPLIT, FLEXPART, SILAM, NAME, CALPUFF — Lagrangian vs Eulerian battle
• Наземні камерні мережі детекції пожеж: світовий досвід і обмеження 2026

Що зробити сьогодні

1. Перевірити мапу повітря YourAirTest для свого міста — є дані про PM2.5 за останню годину.
2. Якщо тема ваша — поділитися статтею з колегами-дослідниками. Ми відстежуємо share patterns у Google Search Console.
3. Якщо ви хочете внести свої дані у наш корпус (sensor measurements, локальні моделі) — пишіть через контакт-форму.

References

1. Justice C.O., Giglio L., Korontzi S. et al. (2002). The MODIS fire products. Remote Sensing of Environment 83(1-2): 244-262.
2. Wooster M.J., Roberts G., Freeborn P.H. et al. (2012). LSA SAF Meteosat FRP products. Remote Sensing of Environment 122: 236-251.
3. Schroeder W., Oliva P., Giglio L., Csiszar I.A. (2014). The New VIIRS 375m active fire detection data product. Remote Sensing of Environment 143: 85-96.
4. Giglio L., Schroeder W., Justice C.O. (2016). The collection 6 MODIS active fire detection algorithm. Remote Sensing of Environment 178: 31-41.
5. Wooster M.J., Xu W., Nightingale T. (2021). Sentinel-3 SLSTR active fire and FRP product validation. Remote Sensing 13(9): 1627.
6. Schmidt C.C., Hoffman J., Prins E.M. et al. (2017). GOES-R ABI fire detection algorithm. Atmospheric Environment 150: 98-113.
7. Csiszar I., Schroeder W., Giglio L. et al. (2014). Active fires from VIIRS. Journal of Geophysical Research: Atmospheres 119(2): 803-816.
8. Roberts G., Wooster M.J. (2008). Fire detection and FRP retrieval from MSG SEVIRI. IEEE Transactions on Geoscience and Remote Sensing 46(10): 2950-2962.
9. Wilson R.C., Freeborn P.H., Wooster M.J. (2017). Future fire monitoring satellite missions. IGARSS Proceedings.
10. Govil K., Welch M.L., Ball J.T., Pennypacker C.R. (2020). Preliminary results from a wildfire detection system using deep learning on remote camera images. Remote Sensing 12(1): 166.
11. Hu Y., Lu X. (2018). Real-time video fire smoke detection by utilizing spatial-temporal ConvNet features. Sensors 18(3): 712.
12. Pinto M.M., Libonati R., Trigo R.M. et al. (2020). A deep learning approach for mapping burned areas. Remote Sensing 12(17): 2739.
13. Allison R.S., Johnston J.M., Craig G., Jennings S. (2016). Airborne optical and thermal remote sensing for wildfire detection and monitoring. Sensors 16(8): 1310.
14. Restas A. (2015). Drone applications for supporting disaster management. Procedia Engineering 100: 316-322.
15. NASA FIRMS — Fire Information for Resource Management System.
16. AlertWildfire camera network (UNR / UCSD / UO).
17. Copernicus EFFIS — European Forest Fire Information System.
18. JRC GWIS — Global Wildfire Information System.
19. EUMETSAT MTG mission documentation.
20. USFS Aviation programme overview.
21. USFS UAS Program.
22. NOAA JPSS / VIIRS mission documentation.
23. ESA Sentinel-3 mission page.
24. NOAA GOES-R series programme.
25. BoM Australia satellite services.
26. INPE TerraBrasilis — фактичні дані по пожежах Бразилії.