面對全球氣候變遷導致的極端天氣，山火（Wildfire）的發生頻率與強度日益增加。傳統的山火偵測高度依賴地面報告或低解析度的衛星影像，但這類資訊往往存在嚴重延遲。根據 Google Research 的研究發現，現有的衛星數據更新週期可能長達 11 小時，且解析度不足，導致消防人員在收到警報時，火勢往往已經擴散到難以控制的程度。為了將火災控制在萌芽狀態，Google 採取了一種結合低軌衛星群與人工智慧的新路徑，試圖將偵測時間縮短至分鐘等級。
偵測挑戰與技術瓶頸
從太空偵測微小火源面臨兩大核心困難：一是解析度與成本的權衡，二是誤報的篩選。若要捕捉極小規模的火源，傳統做法是製造單顆昂貴且巨大的高解析度衛星，但這無法實現全球範圍的即時覆蓋。另一項挑戰則是環境雜訊，在衛星視角下，雲層反射的陽光、工業煙囪的熱能，甚至私人後院的燒烤爐，都可能被誤認為山火。
為了突破這些限制，Google 與 Muon Space 合作，支持 Earth Fire Alliance 的 FireSat 計畫。該計畫採取的是「小衛星群」策略，即發射大量低成本的微型衛星，雖然單顆衛星的硬體精度有限，但透過部署大規模的衛星星座（Satellite Constellation），可以大幅增加成像頻率。而原本由硬體缺失的精度，則由 AI 演算法來補足。
AI 驅動的精準識別機制
為了讓 AI 能在雜訊中辨識出真正的火災，Google 研究團隊設定了一個極具野心的目標：偵測面積僅 25 平方公尺（約 5x5 公尺，相當於一台汽車大小）的火源。這遠低於消防單位認為可控的 50 至 100 平方公尺門檻。
為了訓練這個模型，研究人員首先開發了專為偵測火災優化的特殊相機，並在加州等地對「受控燒除」（Controlled Burns，指由專業人員主導、用於管理植被的預防性焚燒）進行拍攝，建立基準資料庫。AI 模型的關鍵在於「時間維度的分析」：透過低地球軌道（Low-Earth Orbit, LEO）衛星的高頻率成像，AI 可以追蹤同一個熱源隨時間的變化過程。如果一個熱點迅速擴散且符合山火的特徵，AI 會將其判定為危險火災；而若是穩定的工業熱源或短暫的人為活動，則會被篩選為誤報。
實務影響與未來佈局
這套系統對第一線救災人員最大的價值在於「爭取時間」。當火災在極小規模時就被發現，消防隊能更迅速地部署資源，防止火勢失控。此外，這些累積的數據將形成一套關於山火演進的「地面真相」（Ground Truth）紀錄，讓科學家能分析不同地形與氣候條件下，哪些小火會演變成大災難，哪些則會自然熄滅。
這項數據對城市規劃也具有深遠意義。例如，規劃者可以根據 AI 分析出的火勢擴散路徑，更科學地決定「防火帶」（Firebreak，旨在阻斷燃料供應以減緩火勢傳播的物理屏障）的設置位置，而非僅憑經驗推測。
目前的進度是首批運作衛星已經進入軌道，後續批次將於明年陸續發射。Google 的最終目標是在 2030 年前部署約 50 顆衛星，實現每 20 分鐘對全球進行一次成像監控。在達成此目標前的過渡期內，計畫預計在兩年內先實現每小時完成一次全球覆蓋，這將顯著改變現有的山火應變效率。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。