BCWildfire：面向 boreal 野火风险预测的长期多因素数据集与深度学习基准
计算机视觉与模式识别
2026-01-01 v2
摘要
野火风险预测是一项关键且具有挑战性的任务，由于燃料条件、气象、地形与人类活动之间复杂的相互作用。尽管数据驱动方法受到日益关注，但公开可用的基准数据集仍稀缺，这些数据集支持长期时序建模、大规模空间覆盖以及多模态驱动因素。为填补这一空白，我们提供了一个覆盖 25 年、日解析度的野火数据集，覆盖不列颠哥伦比亚省及周边地区的 2.4 亿公顷。该数据集包含 38 个协变量，涵盖活动火点探测、气象变量、燃料条件、地形特征以及人为因素。使用该基准，我们评估了多种时间序列预测模型，包括基于 CNN 的模型、线性模型、Transformer 模型和 Mamba 模型。我们还研究了位置嵌入的有效性以及不同野火驱动因素的相对重要性。该数据集及相应代码可在 https://github.com/SynUW/mmFire 查阅。
引用
@article{arxiv.2511.17597,
title = {BCWildfire: A Long-term Multi-factor Dataset and Deep Learning Benchmark for Boreal Wildfire Risk Prediction},
author = {Zhengsen Xu and Sibo Cheng and Lanying Wang and Hongjie He and Wentao Sun and Jonathan Li and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2511.17597},
year = {2026}
}
备注
This paper has been accepted by AAAI-26