alarmod/forest_fire

---
license: gpl-3.0
---
The initial pictures from UAV (FLAME dataset, file 9) with the size 3840 × 2160 were splitted in nine non-overlapping parts, each such part having a size of 1280 × 720 pixels. Information about locations with fires was extracted from masks, prepared by developers of primary dataset for segmentation (FLAME, file 10), then, with the help of marking algorithm of connected components the data about points with fire were extracted: information about their sizes and coordinates are getting saved in text files. Further, the fragments of snaps with information about the exact location of place with fire are submitted to ANN. In order to form both the test images and training ones from one dataset, the breakdown of processed data into batches with 90 images each is made. The first packet goes for training, the second one is purposefully discarded, the third one is forwarded for testing, and the fourth one is discarded. This is done on purpose, in order to ensure that the tests and training set will be from video stream’s frames different in time. Eventually, training and test sets appeared to have 4500 images each (with textual description of fire zones). Respectively, 2601 and 2604 of them – images of forest without places with fire.

Thanks to
_Shamsoshoara, A.; Afghah, F.; Razi, A.; Zheng, L.; Fulé, P. The Flame Dataset: Aerial Imagery Pile Burn Detection Using Drones (UAVS). 2021. Available online: https://ieee-dataport.org/open-access/flame-dataset-aerial-imagery-pile-burn-detection-using-drones-uavs, doi: 10.21227/qad6-r683_

许可证：GPL-3.0

原始图像取自搭载无人机（Unmanned Aerial Vehicle，简称UAV）的FLAME数据集第9号文件，原始分辨率为3840 × 2160。我们将原始图像分割为9个互不重叠的图像块，每个图像块的分辨率为1280 × 720像素。从原始数据集开发者为分割任务制备的掩码（FLAME数据集第10号文件）中提取火情区域位置信息，随后借助连通分量标记算法提取火情点数据，包括其尺寸与坐标信息，并将此类数据保存至文本文件中。接下来，携带有火情精确位置信息的图像块被输入至人工神经网络（Artificial Neural Network，ANN）。

为从单份原始数据中同时构建训练集与测试集，我们将处理后的数据划分为每批90张图像的批次。其中第一批用于模型训练，第二批被刻意舍弃，第三批用于模型测试，第四批同样被舍弃。此举旨在确保训练集与测试集的图像来自时间序列上互不重叠的视频帧。最终，训练集与测试集各包含4500张带有火情区域文本标注的图像，其中分别有2601张与2604张为无火情的森林背景图像。

致谢
Shamsoshoara, A.; Afghah, F.; Razi, A.; Zheng, L.; Fulé, P. 《FLAME数据集：基于无人机航拍影像的堆烧火情检测》[2021]. 在线获取：https://ieee-dataport.org/open-access/flame-dataset-aerial-imagery-pile-burn-detection-using-drones-uavs，DOI: 10.21227/qad6-r683_

原始信息汇总

数据集概述

数据来源

• 数据集来源于无人机拍摄的初始图片（FLAME数据集，文件9），分辨率为3840 × 2160像素。

数据处理

• 初始图片被分割成九个不重叠的部分，每个部分的分辨率为1280 × 720像素。
• 从用于分割的原始数据集（FLAME，文件10）的掩码中提取有关火灾位置的信息。
• 通过连接组件标记算法提取火灾点的信息，包括大小和坐标，并保存到文本文件中。

数据应用

• 将包含火灾位置信息的图片片段提交给人工神经网络（ANN）进行处理。
• 为了形成测试和训练图像，将处理后的数据分成每批90张图像的批次。
• 第一批用于训练，第二批被丢弃，第三批用于测试，第四批被丢弃，以确保测试和训练集来自不同时间点的视频帧。

数据集规模

• 最终，训练集和测试集各有4500张图像（包含火灾区域的文本描述）。
• 其中，2601张和2604张分别是没有火灾的森林图像。

搜集汇总

数据集介绍

构建方式

在森林火灾监测领域，无人机遥感技术为数据采集提供了高效手段。本数据集源自FLAME数据集，原始无人机航拍图像尺寸为3840×2160像素，经过精心处理，每幅图像被均匀分割为九个互不重叠的1280×720像素子图。通过解析原始数据集中提供的火灾分割掩码，利用连通分量标记算法精确提取火点位置信息，包括火区尺寸与坐标，并存储于文本文件中。为确保训练与测试数据的时序独立性，处理后的图像按批次组织，每批90张，采用间隔选择策略：首批用于训练，第二批弃用，第三批用于测试，第四批再次弃用，最终形成各含4500张图像的训练集与测试集，其中分别包含2601张与2604张无火情背景图像。

特点

该数据集的核心特点在于其时空分离的数据划分策略，有效避免了模型因时间相近帧之间的相似性而产生过拟合，提升了泛化能力。数据以高分辨率无人机图像为基础，每张图像均配有精确的火点坐标与尺寸文本描述，实现了视觉信息与结构化标注的紧密结合。图像内容涵盖森林场景中的火情区域与无火背景，类别分布均衡，为火灾检测任务提供了多样化的样本。数据格式规范，图像与文本标注一一对应，便于直接应用于深度学习模型的训练与评估。

使用方法

该数据集适用于基于深度学习的森林火灾自动检测与定位研究。使用者可直接加载图像数据及其对应的文本标注文件，文本文件中详细记录了火点的边界框坐标或像素级位置信息。在模型训练过程中，建议将图像输入卷积神经网络进行特征提取，并结合标注信息进行目标检测或分割任务的监督学习。测试集可用于评估模型在未见时序帧上的性能表现。数据已预先划分为训练与测试两部分，研究者可依此构建数据管道，并注意保持图像与标注的同步读取，以充分发挥其时序独立设计的优势。

背景与挑战

背景概述

森林火灾监测是环境科学与遥感领域的关键议题，随着无人机技术的普及，基于航拍图像的火灾检测成为研究热点。alarmod/forest_fire数据集源于2021年发布的FLAME数据集，由Shamsoshoara、Afghah、Razi、Zheng和Fulé等研究人员共同构建，旨在通过无人机采集的高分辨率影像实现精准的火灾区域识别。该数据集通过对原始3840×2160像素图像进行分割与标注，提取火灾位置信息并生成文本描述，为机器学习模型提供了结构化的训练与测试样本。其核心研究问题聚焦于提升森林火灾的实时检测能力，对生态保护与灾害预警系统的发展具有显著推动作用。

当前挑战

该数据集致力于解决森林火灾检测中的视觉识别挑战，包括复杂自然背景下火焰与烟雾的区分、不同光照与天气条件下的图像变异处理，以及小尺度火灾目标的精准定位。在构建过程中，研究人员面临多重技术难题：原始航拍图像需分割为1280×720像素的非重叠片段以适配计算资源；通过连接组件标记算法从分割掩码中提取火灾坐标与尺寸信息，确保标注的几何一致性；同时，为规避时间相关性对模型泛化的干扰，采用间隔批处理策略将数据划分为训练集与测试集，这一过程涉及图像序列的刻意丢弃以增强时序独立性，对数据平衡与质量控制提出了较高要求。

常用场景

经典使用场景

在森林火灾监测领域，无人机航拍图像为火灾早期识别提供了关键数据支持。该数据集通过分割高分辨率原始图像并提取火灾区域信息，构建了包含火灾与非火灾场景的标注图像集合。其经典使用场景在于训练和测试深度学习模型，特别是卷积神经网络，以实现对森林火灾的自动检测与定位。研究人员利用该数据集评估模型在复杂自然环境下的泛化能力，推动火灾检测算法从理论向实用化迈进。

衍生相关工作

围绕该数据集，衍生了一系列经典研究工作。例如，基于FLAME数据集的火灾检测算法研究，推动了深度学习在遥感图像分析中的应用；同时，该数据集也激发了多模态火灾监测、小样本学习等方向的探索。这些工作不仅拓展了数据集的学术价值，也为后续火灾检测技术的创新提供了重要参考。

数据集最近研究

最新研究方向

在森林火灾监测领域，无人机遥感技术正推动着智能化预警系统的革新。基于alarmod/forest_fire数据集，研究者们聚焦于利用深度学习模型实现火点实时检测与动态蔓延预测。该数据集通过对FLAME原始影像进行结构化分割与标注，为卷积神经网络与注意力机制的结合提供了高质量训练样本，显著提升了复杂林火场景下的识别精度。当前前沿探索集中于多模态数据融合，例如结合红外光谱与可见光影像，以增强烟雾遮蔽条件下的火情感知能力。这类研究不仅响应了全球极端气候事件频发下的应急管理需求，也为生态可持续性评估提供了关键数据支撑，体现了人工智能在环境科学中的交叉应用价值。