Frühe Methoden zur Waldbrand­erkennung können Brände frühzeitig entdecken und dadurch wertvolle Zeit für Rettungsarbeiten gewinnen. In den letzten Jahren zeigt die Fernerkundung mit Drohnen dank hoher räumlicher Auflösung und schneller Reaktionsfähigkeit ein bedeutendes Anwendungspotenzial bei der frühen Waldbrandüberwachung, steht jedoch weiterhin vor Schlüsselproblemen wie kleinen Zielgrößen, komplexem Hintergrund und begrenzten Rechenressourcen. Zur Bewältigung dieser Herausforderungen schlägt dieser Artikel ein tiefenlern-basiertes Detektionsmodell für frühe Waldbrände namens EFFNet (early forest fire net) vor, das sichtbare und thermische Infrarotbilder kombiniert. Das Modell umfasst vier wesentliche Designmerkmale, die auf Fernerkundungscharakteristika und Feuerzielmerkmale abgestimmt sind: (1) Einsatz der frühen Fusionsstrategie EF (early fusion) zur effektiven Verschmelzung von sichtbaren und thermischen Infrarotinformationen zur Verbesserung der Erkennungsanpassungsfähigkeit in komplexen Umgebungen; (2) Gestaltung eines heterogenen globalen Routing-Feature-Extraktionsnetzes HGRNet (heterogeneous global routing network) zur Steigerung der Multiskalen-Wahrnehmung und Unterdrückung des Verlusts wichtiger Merkmale, wodurch die Fehlerrate verringert wird; (3) Einführung eines Feature-Aggregationsnetzwerks FAN (feature aggregation network) mit doppeltem Top-down-Fusionspfad für eine präzisere Lokalisierung kleiner Flammen- und Rauchziele; (4) Entwicklung eines effizienten halbgekoppelten Detektionskopfs ESCHead (efficient semi-coupled detection head) zur Reduzierung der Modellrechenkomplexität und Fehlalarmrate. Experimente auf dem Datensatz RGBT-3M (RGB-Thermal Multi-Scene, Multi-Target und Multimodal Forest Fire Aerial Photography) zeigen, dass EFFNet eine mAP50 von 97,2 %, eine Präzision von 94,9 % und eine Rückrufrate von 94,1 % erreicht, bei nur 1,84 Mio. Modellparametern und einem Rechenaufwand von 5,6 GFLOPs. Im Vergleich zu aktuellen fortschrittlichen Objekt­erkennungsmodellen bietet EFFNet eine höhere Detektionsgenauigkeit sowie Vorteile in Bezug auf Leichtgewicht und Echtzeitfähigkeit und erfüllt damit die Anforderungen von Drohnenfernerkundungsplattformen für die Echtzeitüberwachung von frühen Waldbränden.

Drohne;Fernerkundungsbilder;Deep Learning;Objekterkennung;frühe Waldbrände;Objekterkennungsprozess;Datensatz;Leistungsbewertungsmetriken