WildFireCan-MMD

WildFireCan-MMD是一个针对加拿大野火的多模态数据集，由卡尔顿大学和国家研究委员会加拿大共同开发。该数据集包含2022-2024年间4688条推文，涵盖了与加拿大野火相关的13个主题类别。数据集通过Twitter的Pro-Tier付费API收集，采用 hashtag-based搜索策略，确保收集的数据来源于加拿大，并与野火话题相关。数据集的构建旨在为野火响应提供定制化的分类方案，以更好地适应特定灾害场景的信息需求。WildFireCan-MMD is a multimodal dataset focused on Canadian wildfires, co-developed by Carleton University and the National Research Council Canada. This dataset contains 4,688 tweets spanning from 2022 to 2024, covering 13 thematic categories related to Canadian wildfires. It was collected via Twitter's Pro-Tier paid API using a hashtag-based search strategy, ensuring that all collected data originates from Canada and is relevant to wildfire-related topics. The dataset was constructed to provide a customized classification framework for wildfire response, better adapting to the information requirements of specific disaster scenarios.

搜集汇总

数据集介绍

构建方式

WildFireCan-MMD数据集的构建过程体现了科学严谨的方法论。研究团队通过X平台的Pro-Tier付费API，采用基于特定标签的搜索策略，收集了2022-2024年加拿大不列颠哥伦比亚省/阿尔伯塔省野火期间发布的4,688条图文推文。为确保数据地域相关性，团队创新性地设计了一套加拿大特有的野火相关标签组合，有效克服了地理定位数据不足的挑战。数据预处理阶段，研究人员采用BERTopic模型进行多模态无监督主题建模，结合人工审查确定了13个具有灾害响应价值的分类标签，并通过Label Studio平台完成系统化标注，最终形成包含时间戳、用户位置和分类标签的结构化数据集。

特点

该数据集的核心价值在于其高度场景化的设计理念。作为首个专注于加拿大野火场景的多模态社交媒体数据集，它突破了传统灾害数据集泛化分类的局限，通过13个精细类别（如疏散人员信息、烟雾与空气质量、基础设施状况等）精准捕捉野火响应中的关键信息维度。数据的时间跨度覆盖近年最具破坏性的野火季节，确保了案例的时效性和代表性。特别值得注意的是，数据集包含的视觉-文本双模态信息占比达100%，其中图像内容经过OCR技术处理提取嵌入式文本，形成了独特的文本-图像-衍生文本三维特征空间，为多模态学习提供了丰富的分析素材。

使用方法

WildFireCan-MMD为研究者提供了标准化的评估框架。数据集已按8:2比例进行分层划分，确保训练集与测试集的类别分布均衡。在使用预训练模型时，建议优先采用早期融合策略整合Vision Transformer和RoBERTa的双通道特征，实验证明该方法在13分类任务中F1值可达0.83。对于零样本评估，研究团队提供了经过优化的提示词模板，可直接应用于GPT-4o-mini或LLaVA等视觉语言模型。高级用户可通过扩展OCR提取的衍生文本特征构建三头分类器，在关键类别如基础设施损坏识别等任务上可获得额外2-3%的性能提升。所有实验代码和预处理流程已在GitHub仓库开源。

背景与挑战

背景概述

WildFireCan-MMD是由加拿大卡尔顿大学和国家研究委员会的研究人员于2025年推出的多模态数据集，专注于加拿大野火期间用户生成内容的分类。该数据集包含来自X平台的4,688条多模态帖子（文本+图像），标注了13个关键主题，旨在解决传统灾害响应数据源更新缓慢且成本高昂的问题。通过利用社交媒体实时更新的优势，WildFireCan-MMD为灾害管理提供了更高效的信息获取途径，填补了现有灾害数据集（如CrisisMMD）在野火特定情境下的不足，成为首个针对加拿大野火背景的标注数据集，推动了多模态机器学习在灾害响应中的应用。

当前挑战

WildFireCan-MMD面临的挑战主要包括两方面：领域问题挑战和构建过程挑战。在领域问题方面，社交媒体数据中噪声与有效信息混杂（如广告、无关内容），且野火相关帖子的语义多样性高，要求模型具备细粒度分类能力；同时，灾害响应需求具有地域特异性，通用模型难以捕捉加拿大野火的独特语境。在构建过程中，数据收集受限于用户地理标记的缺失，需依赖特定主题标签筛选加拿大本土内容；此外，标注体系的建立需平衡主题覆盖广度与灾害响应实用性，通过多轮主题建模和人工校验确定13类标签，但类别不均衡（如“烟雾与空气质量”占比22.8%，“广告”仅2.5%）可能影响模型训练效果。

常用场景

经典使用场景

WildFireCan-MMD数据集在自然灾害管理领域具有重要应用价值，尤其在野火应急响应中，该数据集通过整合社交媒体上的多模态信息（文本与图像），为研究人员提供了丰富的实时数据资源。其经典使用场景包括训练和评估多模态分类模型，以自动筛选和分类与加拿大野火相关的社交媒体内容。通过这种方式，该数据集能够帮助识别关键信息，如灾民动态、烟雾与空气质量报告、基础设施损坏情况等，从而为应急响应团队提供决策支持。

实际应用

在实际应用中，WildFireCan-MMD数据集可被应急管理机构用于实时监测社交媒体动态，快速识别灾民需求、基础设施损坏和空气质量问题。例如，通过分类“警告与状态更新”类帖子，当局可以及时发布疏散指令；而“响应者行动报告”类信息则能帮助协调救援资源。此外，该数据集支持开发透明且高效的开源模型，符合负责任AI原则，为灾害响应中的敏感数据处理提供了可行方案。

衍生相关工作

WildFireCan-MMD数据集衍生了多模态机器学习模型的创新研究，例如基于RoBERTa和ViT的早期与晚期融合分类器。相关工作还探索了OCR技术从图像中提取文本以增强分类性能。该数据集也被用于评估开源与闭源视觉语言模型（如LLaVA和GPT-4o-mini）的零样本分类能力，推动了灾害场景下模型泛化能力的讨论。此外，其分类框架为后续研究提供了区域适应性模板，激励了类似灾害特异性数据集的构建。