THU-Wildfire：一个用于研究野火行为动态的多时相、多模态观测数据集

《Environmental Modelling & Software》：THU-Wildfire: A Multitemporal, Multimodal Observation Dataset for Wildfire Behavior Dynamics

多时间维度无人机数据框架用于火灾全生命周期建模，结合高精度LiDAR、摄影测量和同步环境监测，实现亚秒级火前蔓延动态记录，支持燃料映射、火势预测及燃烧强度评估，揭示现有模型对高密度数据处理的局限性。

　　

Jiahao Zhou|Sen He|Shanjunxia Wu|Jia Zhang|Qiuhua Wang|Fei Wang

清华大学安全科学学院，中国北京

摘要

高质量的分类数据能够捕捉到野火的完整生命周期，这对于验证和提升预测模型至关重要，然而这样的综合数据集仍然十分稀缺。本研究提出了一个基于多时相数据的建模框架，这些数据通过无人机（UAV）传感器获取，包括高精度的激光雷达（LiDAR）、摄影测量以及同步的环境监测。我们开发了一种多无人机接力观测策略，用于连续记录亚秒级的野火蔓延动态。通过燃料分布映射、火势蔓延预测和燃烧严重程度评估等基准建模实验，我们展示了该框架的实用性。高分辨率数据为评估模型在不同时间尺度上的表现提供了宝贵且全面的基础，尤其是在捕捉火灾早期进展和火-气相互作用方面。同时，这也揭示了当前建模方法的局限性。这项工作为推进野火环境建模提供了有力的资源。

引言

计算模型对于理解野火行为、预测其蔓延范围以及评估其影响是不可或缺的（Sullivan, 2009a）。然而，这些模型的应用往往受到现有观测数据局限性的制约。野火建模需要高分辨率、多时相和多模态的数据来进行校准和验证。这对于旨在捕捉多物理过程（如火-气相互作用和排放）的模型尤为重要。目前的数据集往往无法满足这些需求，因为它们在时间上不连续或模态上有限。例如，基于卫星的数据集（如MODIS或VIIRS的数据）通常具有较低的空间分辨率和较长的重访周期（几小时到几天），这不足以捕捉到亚小时级的火线动态（Gerard等人，2023；Huot等人，2022；Li等人，2024）。同样，许多基于无人机的数据集侧重于光学图像的分类任务，但缺乏同步的激光雷达、热成像和环境数据，这种模态差距阻碍了多物理模型的整合（Mowla等人，2024；Shamsoshoara等人，2021）。这种数据缺口阻碍了能够模拟从点火到生态恢复整个野火生命周期的集成模型的发展。

为了填补这一数据缺口，本文提出了THU-Wildfire数据集。与传统图像集合不同，它是从底层设计的，旨在支持基于机制和数据的建模工作流程。其核心贡献在于提供了一个连贯的、多时相和多模态的观测记录，明确地关联了初始条件、动态过程和最终结果（图1）。这是通过两项关键设计创新实现的：

●

全生命周期环境重建：我们采用了先进的传感技术，包括基于无人机的摄影测量和激光雷达，在多次野火发生前、发生中和发生后进行高精度调查。这为燃料分布映射、排放估算和火灾严重程度测量等任务提供了厘米级分辨率的多时相数字环境模型。

●

连续火行为监测：我们设计了多无人机接力观测策略，连续捕捉亚秒级的光学和辐射热成像数据。这使得能够连续记录火线蔓延动态，直接服务于高分辨率火势蔓延预测模型的需求（图2）。

我们的数据集整合了四个互补的数据维度：（1）跨时相的3D地形重建；（2）连续的光学和辐射热成像；（3）同步的天气和空气质量数据；以及（4）生态元数据。该数据集涵盖了五种不同规模和植被类型的野火，包含了超过200万平方米区域的20多个小时的观测数据，产生了6500多张图像和350万帧视频数据。

我们通过一系列基准实验展示了该数据集在环境建模中的直接实用性。我们证明了它在燃料分布映射、野火蔓延预测和火灾严重程度测量方面的可靠性。这些实验不仅验证了数据集的质量，还揭示了当前建模方法在面对高密度数据时的局限性，从而揭示了新的研究挑战。通过提供这一综合数据资源并展示其建模价值，THU-Wildfire有望推动关键研究领域的发展，包括动态火行为建模、实时火线预测、高精度风险评估和火灾后碳排放估算。

相关工作

相关研究

虽然已经开发了多种建模范式——从经验主义到基于过程的建模——但它们的校准、验证和完善通常依赖于仅能捕捉复杂多尺度野火现象片段的数据（Beven和Binley，1992；Zhou等人，2024）。本节通过建模所需数据的视角回顾了相关研究，强调了我们的数据集旨在填补的空白。

燃料分布映射和风险评估。 火灾前的燃料分布映射和高风险区域

研究区域

选择云南省保山市的五个地点作为研究区域。这些计划性燃烧活动都在2025年春季的一周内完成，由消防员和林业专家执行，以确保过程的安全性和科学严谨性。由于计划性燃烧的特点（Francos和úbeda，2021），燃烧主要发生在地表灌木上，没有发展成树冠火灾。对于每个研究区域，我们进行了2-3次计划性燃烧。

实验与结果

本节展示了火灾前燃料分布映射、活跃火势蔓延预测和火灾后严重程度测量的基准实验，以展示我们数据集支持的建模能力。该数据集通过整合多时相和多模态环境数据，独特地实现了跨阶段的野火研究。在确认数据可靠性的同时，我们的实验也揭示了野火建模中的新挑战。

结论与讨论

本研究建立了一个综合的建模和观测框架，增强了监测和表示野火整个生命周期行为的能力。通过结合高精度调查、多无人机接力观测和多时相数据融合，我们展示了一种超越静态边界映射的方法，能够捕捉动态的火-环境相互作用。

所进行的建模实验包括燃料分布映射、蔓延预测等

CRediT作者贡献声明

Fei Wang：撰写 – 审稿与编辑、监督、数据管理、概念构思。Qiuhua Wang：监督、数据管理。Sen He：调查、数据管理。Jiahao Zhou：撰写 – 原始草稿、方法论、形式分析、数据管理。Jia Zhang：方法论。Shanjunxia Wu：形式分析、数据管理

未引用参考文献

CVAT.ai Corporation, 2023.

软件可用性

• ●
  软件名称：FlamMap
• ●
  开发者：Charles McHugh和Mark Finney
• ●
  联系信息：[e-mail]
• ●
  网站：https://research.fs.usda.gov/firelab/products/dataandtools/flammap
• ●
  软件名称：lidarForFuel
• ●
  开发者：Olivier Martin-Ducup
• ●
  联系信息：[e-mail]
• ●
  编程语言：R
• ●
  源代码地址：https://github.com/oliviermartin7/LidarForFuel
• ●
  软件名称：Sim2Real-Fire
• ●
  编程语言：Python
• ●
  源代码地址：https://github.com/TJU-IDVLab/Sim2Real-Fire
• ●
  软件名称：CloudCompare
• ●

数据可用性

数据集可在以下链接公开获取：https://github.com/DDAKUN/THU-Wildfire

利益冲突声明

? 作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢：

本研究得到了云南省科技计划项目（森林-草地联合项目）[202404CB090017]的支持

Jiahao Zhou于2024年在中国武汉大学获得了遥感专业的学士学位。他目前在中国清华大学攻读安全工程硕士学位。他的研究兴趣包括智能野火监测和灾害建模。