Wildfire-Spread-Dataset

该数据集用于基于深度学习的野火扩散预测，涵盖2001年至2019年加拿大阿尔伯塔省的野火事件。数据集整合了Landsat 7和Landsat 8卫星数据，以及每日环境变量，提供比现有数据集更精细的空间和时间细节。

This dataset is intended for deep learning-based wildfire spread prediction, covering wildfire events in Alberta, Canada from 2001 to 2019. It integrates Landsat 7 and Landsat 8 satellite data as well as daily environmental variables, providing finer spatial and temporal details than existing datasets.

原始信息汇总

数据集概述

数据集名称

A Deep Learning-Based Dataset to Predict Wildfire Spread from Remote Sensing Data: Integrating Landsat Satellite Data and Environmental Variables

作者

• Mohammad Marjani
• Dr. Masoud Mahdianpari
• Dr. Fariba Mohammadimanesh

数据集描述

该数据集用于预测加拿大阿尔伯塔省2001年至2019年间的野火蔓延情况。数据集整合了Landsat 7和Landsat 8卫星数据，空间分辨率为30米，以及每日环境变量，空间分辨率为250米。数据集的格式灵活，适用于高级模型如Transformer的应用。

常量变量

常量变量包括高分辨率的遥感数据，如：

• Band 1: NDBI
• Band 2: NDVI
• Band 3: NDWI
• Band 4: DEM
• Band 5: Slope

每日变量

每日变量提供每日的环境条件详细信息，包括：

• Surface Pressure (SP)
• Precipitation
• Maximum Surface Net Solar Radiation (SNSR)
• Soil Temperature Level 1 (STL1)
• Leaf Area Index for High Vegetation (LAIHV)
• Skin Temperature (ST)
• Runoff
• Leaf Area Index for Low Vegetation (LAILV)
• Dew Point Temperature at 2 Meters Above the Surface (DT2m)
• Energy Release Component (ERC)
• Wind Direction (WD)
• Wind Speed (WS)
• MODIS NDVI

数据可用性

数据集包含三个文件夹：

• Input (Constant): 包含常量变量
• Input (Daily): 包含每日变量
• Label: 包含野火蔓延预测的标签文件

联系信息

如有问题，请联系作者：[e-mail]

引用

如使用该数据集，请引用相关论文。

搜集汇总

数据集介绍

构建方式

在应对日益严峻的野火灾害挑战中，本研究团队精心构建了Wildfire-Spread-Dataset，以阿尔伯塔省为研究区域，涵盖2001年至2019年的野火事件。该数据集融合了Landsat 7和Landsat 8卫星的高分辨率遥感数据，以及每日环境变量，提供了30米空间分辨率和250米分辨率的详细信息。通过整合残差神经网络（ResNet）和DeepLabV3，该数据集为野火蔓延预测提供了坚实的基础，并通过关键指标如精确度、召回率、F1分数和AUC进行了性能评估。

特点

Wildfire-Spread-Dataset的显著特点在于其高分辨率的空间和时间细节，超越了现有数据集的精度。此外，数据集的灵活格式为应用如Transformer等先进模型提供了可能，进一步提升了预测能力。数据集包含常量变量如NDBI、NDVI、NDWI、DEM和Slope，以及每日变量如表面压力、降水量、最大表面净太阳辐射等，全面覆盖了影响野火蔓延的环境因素。

使用方法

使用Wildfire-Spread-Dataset时，用户可下载包含三个文件夹的数据集：常量变量文件夹、每日变量文件夹和标签文件夹。每个文件夹中的文件相互对应，便于模型训练和验证。用户可通过整合ResNet和DeepLabV3等深度学习模型，或探索如Transformer等先进技术，进行野火蔓延预测。数据集的详细结构和变量信息，确保了其在多种模型和应用场景中的适用性。

背景与挑战

背景概述

近年来，野火频发且强度增加，对生态系统、社区和经济构成重大威胁。精确预测野火蔓延对于有效的管理和缓解策略至关重要。现有的野火蔓延数据集存在局限性，为此，Mohammad Marjani、Dr. Masoud Mahdianpari和Dr. Fariba Mohammadimanesh等研究人员于2001年至2019年间，基于加拿大阿尔伯塔省的野火事件，创建了一个新的野火蔓延数据集。该数据集整合了Landsat 7和Landsat 8卫星数据，以及每日环境变量，提供了比现有数据集更精细的空间和时间细节。通过集成残差神经网络（ResNet）和DeepLabV3，该数据集为野火蔓延预测提供了基础，并展示了在识别燃烧像素方面的适度成功。

当前挑战

构建Wildfire-Spread-Dataset过程中面临的主要挑战包括：1) 整合高分辨率遥感数据和每日环境变量的复杂性，确保数据的准确性和一致性；2) 在处理大规模时空数据时，如何有效地存储和检索数据，以支持深度学习模型的训练；3) 现有模型在预测野火蔓延方面的局限性，如精度与召回率的平衡问题。此外，该数据集的灵活格式为应用更先进的模型（如transformer）提供了可能性，但也带来了如何选择和优化这些模型的挑战。

常用场景

经典使用场景

在生态保护与灾害管理领域，Wildfire-Spread-Dataset 数据集的经典使用场景主要集中在利用遥感数据和环境变量进行野火蔓延预测。通过整合 Landsat 7 和 Landsat 8 卫星数据，该数据集提供了高分辨率的植被指数、地表温度和风速等关键变量，为深度学习模型如 ResNet 和 DeepLabV3 提供了丰富的输入特征。这些模型能够有效识别和预测野火蔓延的潜在区域，从而为应急响应和资源分配提供科学依据。

实际应用

在实际应用中，Wildfire-Spread-Dataset 数据集为野火管理提供了强有力的工具。通过实时监测和预测野火蔓延，相关部门可以更有效地部署消防资源，减少人员伤亡和财产损失。此外，该数据集还可用于评估不同环境管理策略对野火风险的影响，为政策制定者提供科学依据。在生态保护方面，数据集的高分辨率数据有助于识别和保护易受野火影响的生态系统，促进可持续发展。

衍生相关工作

基于 Wildfire-Spread-Dataset 数据集，许多相关研究工作得以展开。例如，研究人员利用该数据集开发了多种深度学习模型，以提高野火蔓延预测的准确性。此外，数据集的高分辨率特性也激发了在气候变化背景下野火动态变化的研究。这些衍生工作不仅丰富了野火预测的理论基础，还为实际应用提供了更多可能性，推动了生态保护和灾害管理领域的技术进步。