论文标题：V-STAR: A Cloud-Based Tool for Satellite Detection and Mapping of Volcanic Thermal Anomalies

原文链接：https://www.mdpi.com/2624-795X/6/2/24

期刊名：GeoHazards

期刊主页：https://www.mdpi.com/journal/geohazards

研究背景

火山活动具有突发性强、监测难度大的特点，传统地面监测设备在偏远危险区域部署困难。近年来，卫星遥感技术凭借其广域覆盖、高频重访的优势，已成为火山灾害监测的重要手段。多光谱传感器能够通过可见光至短波红外波段探测与熔岩流、火山灰羽流等相关的热异常信号。然而，基于固定阈值的传统热点检测方法在全球尺度上容易遗漏细微异常，且易受云层、雪盖等环境因素干扰。本文旨在开发一种基于机器学习与云计算的火山热异常自动识别系统，以提升监测精度与时效性。

图1.所选火山概览。

研究内容

研究团队基于Google Earth Engine（GEE）平台开发了V-STAR（Volcanic Satellite Thermal Anomalies Recognition）应用，采用监督式机器学习算法——随机森林（Random Forest）进行热异常识别。该系统利用Sentinel-2多光谱仪（MSI）的13个波段数据，通过特征选择（Feat2特征集包含蓝、绿、红、近红外及两个短波红外波段）、模型训练（100棵决策树集成）和性能评估（基于空间重叠度的ACC、PPV、TPR指标）三步骤构建分类模型。与传统固定阈值算法相比，该数据驱动方法能够自适应不同火山环境的光谱特征，显著提升对低强度热异常的检测灵敏度。 V-STAR采用两阶段分类策略：首先通过随机森林模型识别从微弱到强烈的热异常区域，随后利用学习向量量化（LVQ）聚类算法对异常像素进行精细化分类，区分高热区（红色标注）与普通异常区（黄色轮廓）。该系统界面集成时间序列分析、归一化热点指数（NHI）计算及成果导出功能，支持用户交互式选择火山区域、查看热异常动态变化，并可直接导出GeoTIFF格式数据至GIS平台进行三维分析。通过对意大利埃特纳火山2018年侧翼喷发、美国基拉韦厄火山2023年熔岩湖活动等案例的验证，表明V-STAR能准确捕捉喷发起始、发展和衰退的全过程热信号。

图2.V-STAR界面。（A）显示所选火山的不同信息；（B）显示与所选火山相关的Sentinel-2 MSI图像以及用于更改日期的日历。

研究总结

V-STAR系统成功实现了火山热异常监测的技术创新，其核心优势在于将云计算能力、多光谱遥感与机器学习算法深度融合。该系统在14座不同构造背景的火山（包括埃特纳、斯特龙博利、克利丘切夫等）上的测试表明，随机森林模型对多种喷发类型（熔岩流、熔岩湖、火山口复活等）均具有良好适应性，能够有效识别喷发前兆性热异常。目前系统可通过意大利国家地球物理与火山学研究所TechnoLab实验室网站（https://www.ct.ingv.it/technolab/v-star）公开访问，为科研机构与减灾部门提供免费服务。未来通过融入多源卫星数据融合技术与卷积神经网络等空间特征提取方法，可进一步提升对折射光环、云覆盖等复杂场景的识别精度，推动火山监测向智能化、全球化方向发展。

GeoHazards期刊介绍

主编：Prof. Dr. Zhong Lu, Roy M. Huffington Department of Earth Sciences, Southern Methodist University, Dallas, TX 75275, USA

Prof. Dr. Tiago Miguel Ferreira, Instituto Superior Técnico (IST), University of Lisbon, Av. Rovisco Pais, 1049-001 Lisbon, Portugal

期刊发表范围涵地球物理/地质灾害、气候及气候变化相关灾害、气象灾害、水文灾害、块体运动灾害以及人为和技术灾害等研究领域。自2020年创刊以来，被ESCI、Scopus、GeoRef等多个权威数据库收录。