FLOGA

FLOGA数据集是由希腊国家天文台天文与空间应用研究所的研究团队创建，专注于希腊地区的森林火灾观测。该数据集包含2017至2021年间326个火灾事件的卫星图像，涵盖Sentinel-2和MODIS两种卫星数据，具有多分辨率和多光谱特性。数据集中的烧毁区域由希腊消防局专家手工标注，确保了数据的准确性和可靠性。FLOGA数据集的应用领域主要集中在火灾影响评估、资源分配优化和火灾预防策略的制定，旨在通过高精度的火灾区域映射，支持灾害管理和生态恢复工作。

The FLOGA dataset was developed by a research team from the Institute of Astronomy and Space Applications of the National Observatory of Greece, focusing on forest fire monitoring across Greek territory. This dataset contains satellite imagery of 326 fire events occurring between 2017 and 2021, incorporating data from two satellite sensors: Sentinel-2 and MODIS, and features multi-resolution and multi-spectral characteristics. Burned areas in the dataset were manually annotated by experts from the Hellenic Fire Service, ensuring the accuracy and reliability of the data. The primary application domains of the FLOGA dataset cover fire impact assessment, resource allocation optimization, and the formulation of fire prevention strategies, with the goal of supporting disaster management and ecological restoration work through high-precision fire area mapping.

搜集汇总

数据集介绍

构建方式

在遥感与灾害管理领域，FLOGA数据集的构建体现了对高精度火烧迹地制图的迫切需求。该数据集整合了2017至2021年间希腊地区的326起野火事件，通过希腊消防部门的专家手工标注，确保了地面真值的高空间分辨率与权威性。数据采集涵盖哨兵2号与MODIS传感器的双时相影像，并经过辐射与大气校正处理，辅以海面掩膜与土地覆盖图等辅助信息。影像进一步分割为256×256的非重叠图斑，并剔除了云层、阴影及水体覆盖过高的区域，最终形成了适用于机器学习任务的标准化数据集。

特点

FLOGA数据集的核心特点在于其多模态与双时相的设计架构。它不仅融合了哨兵2号的高空间分辨率与MODIS的高时间分辨率数据，还提供了火灾前后的配对影像，从而支持变化检测任务。数据集覆盖了地中海气候区的多样化生态系统，事件规模从22公顷至4.5万公顷不等，确保了景观与植被类型的广泛代表性。此外，标注工作由领域专家完成，反映了实际应用中对火烧迹地边界理解的精确性，为模型训练提供了可靠的真值参考。

使用方法

该数据集适用于火烧迹地制图的机器学习与深度学习研究，尤其适合变化检测任务的模型训练与评估。使用者可通过双时相影像输入，结合提供的土地覆盖与海面掩膜，进行端到端的模型开发。数据已按事件划分为训练、验证与测试子集，确保了时间与空间分布的均衡性。研究人员可基于公开的代码库，利用FLOGA进行光谱指数、传统机器学习算法及先进深度学习架构的对比实验，推动高精度火烧迹地自动提取技术的发展。

背景与挑战

背景概述

随着全球野火频率与强度的持续攀升，其对生态系统、社会经济乃至人类生命构成的威胁日益严峻，亟需发展高效精准的灾害评估技术以支撑灾后恢复与资源管理。在此背景下，由希腊国家天文台、雅典国家技术大学及希腊消防部门等多机构研究人员于2023年联合创建的FLOGA数据集应运而生。该数据集聚焦于地中海气候区的野火观测，核心研究目标在于通过融合哨兵二号与MODIS卫星的双时相遥感影像，构建一个适用于机器学习模型的火烧迹地制图基准。FLOGA涵盖了2017至2021年间希腊地区的326起火灾事件，并提供了由领域专家手工标注的高分辨率地面真值，其独特之处在于首次整合了多分辨率、多模态的遥感数据与专业标注，为自动化的火烧迹地变化检测研究提供了关键数据支撑，显著推动了遥感灾害监测与深度学习应用的交叉融合。

当前挑战

FLOGA数据集致力于解决遥感领域中火烧迹地精准制图的科学难题，其核心挑战在于如何从复杂的双时相卫星影像中鲁棒地识别并分割燃烧区域，同时克服地表覆盖多样性、物候变化及大气干扰等因素引致的谱混淆现象。在数据集构建过程中，研究人员面临多重困难：首先，需确保影像数据在火灾前后均无云层覆盖，且时间间隔尽可能接近事件发生点，以捕捉清晰的燃烧特征；其次，标注工作依赖希腊消防部门的专家进行人工影像解译，虽保障了标注质量，但过程耗时且易受主观判断影响；再者，数据集需平衡不同规模火灾事件的空间分布与地表类型覆盖，以提升模型的泛化能力；最后，如何有效融合哨兵二号高空间分辨率与MODIS高时间分辨率的多源数据，亦是构建多分辨率机器学习就绪数据集的关键技术挑战。

常用场景

经典使用场景

在遥感与灾害管理领域，FLOGA数据集为机器学习模型提供了精准的火灾后烧毁区域映射基准。该数据集通过整合希腊地区2017至2021年间326起火灾事件的双时相哨兵二号与MODIS卫星影像，结合专家标注的地面真实数据，构建了高空间分辨率的烧毁区域变化检测任务。其经典应用场景在于支持深度学习模型如BAM-CD进行端到端的训练与评估，通过对比火灾前后影像的差异，自动识别并划定烧毁边界，为后续生态恢复与资源调配提供科学依据。

实际应用

在实际应用中，FLOGA数据集及其衍生的BAM-CD模型已被证明能够高效支持火灾应急响应与生态评估工作。例如，在2023年希腊埃夫罗斯地区特大火灾事件中，该模型利用哨兵二号影像成功生成了高精度的烧毁区域图，与欧盟哥白尼应急管理服务的官方测绘结果高度吻合。这类技术可被林业部门、政府机构及救援组织用于快速评估火灾规模、识别受损资产，并优化资源分配策略，从而提升灾后恢复效率，减轻火灾对生态系统与社会经济的冲击。

衍生相关工作

围绕FLOGA数据集，学术界已衍生出一系列经典研究工作，主要集中在深度学习架构的创新与多模态数据融合方面。例如，基于该数据集的BAM-CD模型采用了双流编码器与注意力机制，在变化检测任务中取得了领先性能。此外，研究团队还系统比较了FC-EF、SNUNet-CD、ADHR-CDNet及ChangeFormer等先进模型，为烧毁区域映射提供了全面的性能基准。这些工作不仅推动了遥感图像分析技术的发展，也为其他灾害监测任务如洪水、滑坡等提供了可借鉴的模型框架与方法论。