TS-SatFire

TS-SatFire是一个多任务卫星图像时间序列数据集，专门用于野火检测和预测。该数据集涵盖了2017年1月至2021年10月期间美国大陆的野火事件，包含3552张地表反射率图像以及天气、地形、土地覆盖和燃料信息等辅助数据，总计71GB。数据集记录了每个野火的生命周期，并提供了活跃火源（AF）和烧毁区域（BA）的标签。数据集支持三个任务：活跃火源检测、每日烧毁区域映射和野火进展预测。创建过程包括从NASA的VIIRS传感器下载图像，并使用Google Earth Engine处理辅助数据。该数据集旨在通过深度学习模型提高野火监测和预测的准确性，解决当前野火产品在检测和预测中的不足。TS-SatFire is a multi-task satellite image time series dataset dedicated to wildfire detection and forecasting. This dataset covers wildfire events across the contiguous United States from January 2017 to October 2021, containing 3,552 surface reflectance images and auxiliary data including weather, topography, land cover, and fuel information, with a total size of 71 GB. The dataset records the lifecycle of each wildfire, and provides labels for active fires (AF) and burned areas (BA). It supports three tasks: active fire detection, daily burned area mapping, and wildfire progression forecasting. Its creation process includes downloading images from NASA's VIIRS sensors and processing auxiliary data using Google Earth Engine. This dataset aims to improve the accuracy of wildfire monitoring and forecasting via deep learning models, and address the shortcomings of current wildfire products in detection and forecasting.

搜集汇总

数据集介绍

构建方式

TS-SatFire数据集的构建基于多时相遥感数据，涵盖了2017年1月至2021年10月期间美国本土的野火事件。数据集包含3552幅地表反射率图像，并整合了气象、地形、土地覆盖和燃料信息等辅助数据，总容量达71GB。数据集的构建过程包括从NASA的LAADS系统下载VIIRS图像，并通过Google Earth Engine处理辅助数据。每个野火事件的生命周期均被记录，并标注了活跃火点（AF）和燃烧区域（BA）的标签，且通过人工质量保证确保标签的准确性。数据集支持三项任务：活跃火点检测、每日燃烧区域制图和野火进展预测。

使用方法

TS-SatFire数据集的使用方法主要围绕三项任务展开：活跃火点检测、每日燃烧区域制图和野火进展预测。对于活跃火点检测任务，用户可以利用多光谱、多时相图像进行像素级分类；燃烧区域制图任务则通过整合VIIRS图像和辅助数据，生成每日的燃烧区域地图；野火进展预测任务则结合卫星图像和辅助数据，建模野火动态以预测其未来进展。数据集提供了GeoTIFF格式的图像和辅助数据，用户可以通过Python脚本将其转换为深度学习模型所需的Numpy数组。此外，数据集还提供了基准模型代码，便于用户进行模型训练和性能评估。

背景与挑战

背景概述

TS-SatFire数据集由瑞典皇家理工学院的Yu Zhao、Sebastian Gerard和Yifang Ban等人于2024年发布，旨在通过多任务深度学习模型提升野火监测与预测的精度。该数据集涵盖了2017年1月至2021年10月期间美国本土的野火事件，包含3552幅地表反射图像及气象、地形、土地覆盖和燃料等辅助数据，总容量达71GB。数据集支持三项任务：活跃火点检测、每日燃烧区域制图以及野火进展预测。通过结合多光谱、多时相的卫星图像与辅助数据，TS-SatFire为野火研究提供了重要的数据基础，推动了深度学习在野火监测与预测中的应用。

当前挑战

TS-SatFire数据集在构建与应用中面临多重挑战。首先，野火监测与预测任务本身具有复杂性，活跃火点检测易受云层和高温建筑物干扰，导致误报；燃烧区域制图则因低时间分辨率而难以实现每日精确监测。其次，数据集的构建过程中，多源数据的融合与对齐是一项技术难题，尤其是气象、地形等辅助数据与卫星图像的时间与空间同步问题。此外，野火进展预测任务需要模型从历史数据中推断未来状态，这对深度学习模型的时空建模能力提出了更高要求。尽管TS-SatFire为这些挑战提供了数据支持，但如何进一步提升模型的泛化能力与预测精度仍是未来研究的重点。

常用场景

经典使用场景

TS-SatFire数据集广泛应用于野火监测与预测领域，尤其是在多任务深度学习模型的训练与评估中。该数据集通过整合多时相遥感影像和辅助数据，支持主动火点检测、每日燃烧区域映射以及次日野火进展预测三大任务。研究人员可以利用该数据集构建像素级分类模型，结合光谱、空间和时间信息，提升野火检测与预测的精度。

解决学术问题

TS-SatFire数据集解决了野火研究中多个关键问题。首先，它通过提供高精度的主动火点和燃烧区域标签，弥补了传统遥感产品在检测精度和时空分辨率上的不足。其次，数据集的多任务设计使得研究人员能够同时进行检测与预测任务，推动了野火动态建模的研究。此外，数据集还通过引入天气、地形和燃料等辅助数据，增强了野火预测模型的鲁棒性和准确性。

实际应用

在实际应用中，TS-SatFire数据集为野火管理和应急响应提供了重要支持。通过实时监测野火活动并预测其进展，相关部门能够更有效地制定灭火策略和疏散计划。此外，该数据集还可用于评估气候变化对野火频率和强度的影响，为政策制定者提供科学依据。在保险和风险评估领域，数据集的高精度预测能力也有助于优化火灾风险模型。

数据集最近研究

最新研究方向

近年来，随着全球气候变化和人类活动的加剧，野火的频率和强度显著增加，对生态系统和人类社会造成了深远影响。TS-SatFire数据集作为一项多任务卫星图像时间序列数据集，为野火检测和预测提供了重要的数据支持。该数据集结合了多光谱、多时相的遥感图像以及气象、地形、土地覆盖等辅助数据，涵盖了2017年至2021年间美国大陆的野火事件，为深度学习模型在野火研究中的应用奠定了基础。当前，基于TS-SatFire的研究方向主要集中在三个方面：一是通过像素级分类实现活跃火点检测，二是利用多时相数据进行每日燃烧区域制图，三是结合卫星和辅助数据预测野火的动态演变。这些研究不仅提升了野火监测的精度和时效性，还为野火预测模型的开发提供了新的思路。特别是在深度学习模型的引入下，研究者能够更好地利用遥感数据中的光谱、空间和时间信息，显著提升了野火检测和预测的准确性。TS-SatFire的发布为野火研究领域提供了重要的基准数据集，推动了多任务深度学习模型在野火监测和预测中的应用，具有重要的科学意义和实际应用价值。

相关研究论文

• TS-SatFire: A Multi-Task Satellite Image Time-Series Dataset for Wildfire Detection and Prediction

  瑞典皇家理工学院 · 2024年