谷歌研究团队展示了如何将卫星遥感、多光谱红外影像与机器学习结合，用于早期发现约 5×5 米级别的野火、实时追踪火场边界并近似模拟火势蔓延，以支持应急和公共安全决策。该体系包括 FireSat 卫星星座、边界识别模型与基于高保真物理模拟训练的深度学习近似器，但在云层、烟雾和地面确认等方面仍需更多验证与机构协同。
谷歌研究团队表示，过去十多年一直在探索如何利用人工智能和机器学习，在野火扩大之前发现火情，并更快判断火势可能如何蔓延。这个方向并不是一项单独的产品更新，而是一套由卫星遥感、火场边界识别、火灾模拟和公共信息服务共同组成的研究体系。
在谷歌研究院 2026 年 9 月 15 日发布的问答文章《Ask a Scientist: How can researchers use AI to spot a wildfire?》中，研究团队解释了这套体系的基本逻辑：先用更高频的卫星数据发现早期异常，再用 AI 模型判断那是否真的是火灾，最后把结果交给应急部门、科学家以及受影响社区使用。
关键变化：在火灾变大之前发现它
传统卫星系统通常面临两个限制：影像分辨率不够高，或者更新频率不足。对于已经发展到较大规模的火灾，这些系统可以提供有用信息；但对于刚刚由雷击、设备故障或人为活动引发的小火点，等到卫星确认时，火势可能已经迅速扩大。
谷歌参与设计的 FireSat，正是针对这一缺口建立的专用卫星星座。根据谷歌的FireSat 项目页面，星座完全部署后，目标是在全球范围内识别约 5×5 米、也就是大致一个教室大小的早期野火，并以不超过 20 分钟的间隔更新影像。
FireSat 使用多光谱红外影像。谷歌方面表示，系统会把某个地点的当前影像与此前积累的大量影像进行比较，同时考虑当地天气、附近基础设施等因素，以区分真实火情与传感器噪声、像素错位或其他高温目标。
这意味着，AI 在这里并不是简单地“看一张照片找火”。它需要理解一个地点在不同时间、天气和观测条件下的变化，并从连续的遥感数据中识别异常信号。
从火场边界到早期火点
谷歌此前已经把 AI 用于较大规模野火的边界追踪。其实时火场边界研究显示，模型会综合多个地球静止卫星的数据，将输入重采样到统一的 1 平方公里网格，并使用卷积神经网络判断哪些区域可能正在燃烧、哪些区域被云层遮挡。
这套模型使用 GOES、Himawari 等卫星的高频影像，同时参考 NOAA 的火灾产品。训练标签则来自 MODIS 和 VIIRS 等极轨卫星的热异常数据。极轨卫星的空间精度较高，但同一地点的访问间隔可能达到数小时；地球静止卫星更新更频繁，却更容易受到分辨率限制。谷歌的做法，是用前者帮助训练模型，再依靠后者提供接近实时的输入。
截至谷歌研究页面此前公布的信息，火场边界可以通过 Google Search 和 Google Maps 向用户展示，并向受影响社区提供安全信息。不过，边界追踪与早期火点发现并不是同一件事：前者主要回答“火已经烧到哪里”，FireSat 则试图更早回答“火是否刚刚开始”。
AI 也被用于模拟火势如何蔓延
发现火情只是第一步。对消防部门来说，更重要的问题往往是：在风向、坡度、植被和含水量变化的情况下，火势接下来会怎样发展。
谷歌研究团队与美国林务局合作，把机器学习用于高分辨率火灾行为模型。美国林务局的项目页面介绍，这类物理模型需要处理从毫米级燃料颗粒、点燃和热传递，到公里级火场扩散的多重尺度，因此计算成本很高，难以直接用于大范围实时预测。
研究人员先运行物理模型，生成数以亿计的燃料、天气和地形组合，再用这些模拟数据训练深度学习模型。林务局页面给出的一个早期对比是：在特定的一维火势模型上，原始模型平均每个案例约需 70 秒，而深度学习模型约需 0.01 秒。这个结果并不意味着 AI 已经取代了物理模型，而是说明它有可能作为高成本模型的快速近似器，用于大规模模拟和实时场景分析。
谷歌在2023 年野火研究回顾中还提到，团队与美国林务局合作开发更高保真度的火势模拟方法，并尝试把机器学习模型用于训练、资源调度和火灾危险指数研究。模型是否能在不同植被、极端风速和复杂地形中保持可靠，仍然是需要持续验证的问题。
一套公共安全系统，而不是单一模型
谷歌把这些项目放在更大的气候韧性框架下。其气候韧性研究总结显示，野火项目与洪水预报、飓风路径预测、地理空间推理等工作属于同一方向：用 AI 从卫星、天气和地理数据中提取更及时的信息，再将结果嵌入 Search、Maps、Flood Hub 或面向专业机构的工具。
这种模式的价值在于，模型输出不必停留在论文或实验室里。消防部门可以把它用于监测和调度，研究人员可以利用 FireSat 建立全球火势传播历史记录，普通用户则可能通过搜索和地图服务获得附近火灾的边界与安全提示。
但这也带来明显限制。AI 发现的火点不等于已经完成地面确认，模型预测的边界也不能替代消防机构的现场信息。云层、烟雾、传感器误差、训练数据偏差以及当地数据缺失，都可能影响结果。尤其在疏散和救援等高风险场景中，模型信息必须与地方消防、气象和应急机构的判断结合使用。
从试验性项目走向持续覆盖
FireSat 的原型卫星已于 2025 年发射，用于验证传感器和数据流程；谷歌的项目页面显示，首批三颗运营卫星原计划在 2026 年夏季发射，完整星座则将在随后几年分阶段部署。谷歌研究院还在 FireSat 页面中披露，Google.org 已为 Earth Fire Alliance 牵头的工作提供超过 1500 万美元资金支持。
因此，谷歌目前公布的能力应当区分为三个层次：已经投入使用的火场边界追踪、正在扩展的 FireSat 早期检测能力，以及仍需要通过更多真实火灾和地面机构验证的火势传播预测。
这项工作的真正考验，不只是能否在卫星图像中看到更小的火，而是能否把检测速度、预测可靠性和应急流程连接起来。如果数据更新足够及时、模型在不同地区保持稳定，AI 可能帮助消防人员把干预时间提前到火灾仍然较小的阶段；但它最终能减少多少损失，仍取决于卫星覆盖、地方响应能力、数据共享机制和现场决策，而不仅仅是模型本身的准确率。
从更广的公共基础设施角度看，谷歌正在尝试把环境数据转化为可操作的决策信息。此前，AI 已被用于减少自然灾害的突袭，而 FireSat 则把这种思路推进到更早、更细的火灾监测阶段。它能否成为全球性的野火预警基础设施，还要看后续卫星部署、开放数据范围以及各国应急机构如何实际采用这些结果。