[论文解读] Mesogeos: A multi-purpose dataset for data-driven wildfire modeling in the Mediterranean

Spyros Kondylatos, Ioannis Prapas+2 more|arXiv (Cornell University)|Jun 8, 2023

Fire effects on ecosystems被引用 4

一句话总结

Mesogeos 是一个大规模、适用于云环境的时空数据立方体，整合了2006年至2022年共17年、分辨率为1km×1km×1天的地中海地区气象、植被、人类活动及历史野火数据。该数据立方体支持基于机器学习的数据驱动野火建模，展示了两个适用于机器学习的路径——短期火险预测与过火面积预测，公开提供数据立方体、衍生数据集、模型和代码，以加速科研与业务应用。

ABSTRACT

We introduce Mesogeos, a large-scale multi-purpose dataset for wildfire modeling in the Mediterranean. Mesogeos integrates variables representing wildfire drivers (meteorology, vegetation, human activity) and historical records of wildfire ignitions and burned areas for 17 years (2006-2022). It is designed as a cloud-friendly spatio-temporal dataset, namely a datacube, harmonizing all variables in a grid of 1km x 1km x 1-day resolution. The datacube structure offers opportunities to assess machine learning (ML) usage in various wildfire modeling tasks. We extract two ML-ready datasets that establish distinct tracks to demonstrate this potential: (1) short-term wildfire danger forecasting and (2) final burned area estimation given the point of ignition. We define appropriate metrics and baselines to evaluate the performance of models in each track. By publishing the datacube, along with the code to create the ML datasets and models, we encourage the community to foster the implementation of additional tracks for mitigating the increasing threat of wildfires in the Mediterranean.

研究动机与目标

• 为解决地中海地区数据驱动野火建模中缺乏大规模、标准化、多源数据集的问题。
• 创建一个标准化、适用于云环境的数据立方体，整合野火驱动因子（气象、植被、人类活动）与历史野火记录。
• 通过提取适用于特定野火建模任务的机器学习就绪数据集，支持多样化的机器学习应用。
• 利用深度学习模型为关键野火预测任务建立基准。
• 通过公开共享数据立方体、衍生数据集、模型与代码，推动社区驱动的创新。

提出的方法

• 通过在2006年至2022年期间，将多源遥感与地面观测数据在1km×1km×1天分辨率下进行标准化处理，构建时空数据立方体。
• 整合野火驱动因子变量：气象条件（如温度、湿度、风速）、植被因子（如燃料湿度、FAPAR）以及人为因素（如人口密度、土地利用）。
• 整合历史野火记录：来自EFFIS野火清单（EFFIS-FI）的点 ignition 点与最终过火区域。
• 提取两个机器学习就绪数据集：一个用于次日火险预测（二分类任务），一个用于过火面积大小预测（多变量回归），两者均源自数据立方体。
• 在两个任务上使用适当的损失函数与评估指标，对深度学习基线模型（如U-Net、CNN）进行训练。
• 通过GitHub与专用项目网站发布完整的数据处理流程，包括数据摄取、标准化、数据集提取与模型训练代码。

实验结果

研究问题

• RQ1 一个标准化、多源、时空一致的数据立方体是否能显著提升地中海地区数据驱动野火建模的可行性与可扩展性？
• RQ2 在Mesogeos上训练的深度学习模型在短期火险预测与过火面积预测任务中，相较于传统或基线模型，性能提升程度如何？
• RQ3 标准化、开放且可云端访问的数据立方体在促进新型野火建模路径开发与社区协作方面发挥何种作用？
• RQ4 当前野火建模方法的主要局限性是什么？Mesogeos如何通过数据整合与高分辨率解决这些问题？
• RQ5 该数据立方体在支持解释性AI、因果推断与不确定性量化等先进机器学习技术方面，具有哪些潜力？

主要发现

• Mesogeos是目前地中海地区用于数据驱动野火建模的最大已知标准化、多功能数据集，覆盖2006年至2022年共17年，空间与时间分辨率为1km×1km×1天。
• 该数据立方体支持为多样化任务提取机器学习就绪数据集，并建立了两个基准任务：次日火险预测与过火面积大小预测。
• 在提取数据集上训练的深度学习模型表现出优异性能，为未来研究建立了可复现的基线。
• 数据集已公开发布，并提供完整代码，涵盖数据摄取、标准化、数据集提取与模型训练，确保完全可复现性与社区扩展性。
• 由于其全面且结构化的设计，该数据立方体支持解释性AI、因果推断与不确定性量化等前沿研究方向。
• 尽管存在野火探测可能存在误差、缺乏灭火行动数据等局限性，Mesogeos仍为可扩展、可操作且具有创新性的野火建模提供了坚实基础。