Dec, 2023

SeasFire 作为火灾动态的多变量地球系统数据立方体

PDF
TL;DR全球野火的发生、规模和频率对生态系统服务和人类生计构成重大威胁。为了有效量化和归因于野火的先决条件，对地球系统动力学的彻底理解是必需的。为此，我们介绍了 SeasFire 数据立方体，这是一个经过精心策划的时空数据集，可用于通过地球观测进行全球亚季节到季节性野火建模。SeasFire 数据立方体包括 59 个变量，涵盖气候、植被、海洋指数和人类因素，在时间上具有 8 天的分辨率，在空间上具有 0.25 度的分辨率，时段为 2001 年至 2021 年。我们展示了 SeasFire 在探索野火驱动因素的变异性和季节性、建模海洋 - 气候相互关系与野火之间的因果关系以及使用深度学习模型预测多个时间尺度下的亚季节性野火模式的多功能性。我们公开发布了 SeasFire 数据立方体，并呼吁地球系统科学家和机器学习实践者使用该数据立方体来改善对野火的理解和预测。
wildfiresearth system dynamicsseasfire datacubeclimatedeep learning model
发现论文，激发创造
  • 基于时空深度神经网络的季节性火灾预测

    利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

    Apr, 2024

  • Mesogeos：地中海地区数据驱动的野火多用途数据集

    介绍 Mesogeos，这是一个在地中海地区用于野火建模的多功能大型数据集。该数据集包含了表征野火驱动因素（气象、植被、人类活动）和历史记录的变量。数据集的结构为 1km x 1km x 1-day 像素的网格，在进行机器学习的野火建模任务时具有巨大的潜力，并且提供了两个机器学习模型的准备数据集，用于短期野火危险预测和极限燃烧区域估计。通过发布数据集和创建机器学习模型的代码，我们鼓励社区利用该数据集的巨大潜力，为中地中海地区日益增长的野火风险采取额外的措施。

    Jun, 2023

  • 全球野火预测的深度学习

    本文介绍了如何使用分割深度学习模型预测全球火灾烧伤面积在亚季节时标下的出现情况，并提出了开放访问的全球分析数据立方体，以包含与季节性和亚季节性火灾驱动因素（气候、植被、海洋指数、人类相关变量）有关的各种变量，以及 2001-2021 年历史燃烧面积和野火排放。

    Nov, 2022

  • 深层极端立方体：整合地球系统时空数据以评估气候极端事件的影响

    气候极端事件对陆地生态系统的影响预测需要用到结构化、高质量和经过筛选的分析准备数据集。本研究致力于构建 DeepExtremeCubes 数据库，该数据库专门设计用于分析复合热浪和干旱极端事件对持续自然植被的影响，包括 40,000 个地理采样的小数据块，每个块都包含 Sentinel-2 L2A 影像、ERA5-Land 变量、从 2016 年到 2022 年的极端事件数据块，以及辅助土地覆盖和地形地图。该数据库的建设旨在提高数据获取和处理的效率，增强科学的可重复性，并促进对生物圈动态在复合极端事件下的预测研究。

    Jun, 2024

  • Sen2Fire：一个使用 Sentinel 数据进行野火检测的具有挑战性的基准数据集

    利用卫星图像进行野火监测在实际应用中具有重要的潜力。为了推动机器学习算法在这一领域的发展，本研究引入了 Sen2Fire 数据集，这是一个专门用于野火监测的具有挑战性的卫星遥感数据集。通过选择特定的波段组合，采用标准化烧伤比（NBR）和标准化植被指数（NDVI）等光谱指数的组合，优化了野火的检测效果。另外，本研究强调了集成 Sentinel-5 气溶胶数据对野火监测的积极影响。

    Mar, 2024

  • TeleViT：基于 teleconnection 的 Transformer 提升次季节至季节级别的火灾预测

    本文提出了一种基于遥感桥连远程影响视觉编码器（TeleViT）的方法，用于预测全球大火的模式，并证明了在长达四个月的预测窗口中，它在准确预测全球烧毁区域模式方面的优越性。

    Jun, 2023

  • 融合基于物理的野火蔓延模型和卫星数据的生成算法用于野火预报初始化

    该研究提出了一种使用卫星测量数据推断野火历史的方法，以初始化耦合大气 - 野火模型，在火灾预测方面取得了高准确性。

    Sep, 2023

  • 基于新型机器学习框架的多模态森林火灾预测和个性化预警系统

    本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

    Aug, 2022

  • 机器学习数据集：从遥感数据预测野火蔓延的次日传播

    本研究制作了一个散装的、大规模的、多变量的基于历史野火的遥感数据集，结合 2D 区域的地形、植被、气象、干旱指数和人口密度等多个自变量，借助机器学习解决了野火蔓延的问题。通过神经网络的预测表现，与逻辑斯蒂二元回归和随机森林算法的比较，展示了该数据集的实用性，成为基于遥感数据开发野火传播模型的标准参考。

    Dec, 2021

  • 基于多模态监督机器学习的欧洲基于卫星的野火识别方法

    提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案，并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用，构建了一个用于欧洲相关野火研究的大规模热点数据集。然后，提出了一种新颖的多模态监督机器学习方法，用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。

    Jul, 2023