CanadaFireSat：面向多模态的高分辨率野火预报

加拿大在2023年经历了近年来最严重的野火季节之一，对生态系统造成破坏，摧毁社区，并排放大量CO2。这一极端野火季节是气候变化导致野火季节长度和严重程度增加的症状，影响着北方森林生态系统。因此，为北方森林社区配备更好的缓解方案以赋能野火管理至关重要。野火概率图是理解野火发生可能性及未来野火潜在严重程度的重要工具。地球观测数据的大量增加使得基于深度学习的野火预报模型得以开发，旨在不同空间和时间尺度上提供精确的野火概率图。这类方法的一个主要限制是它们依赖于粗分辨率的环境驱动因素和卫星产品，导致野火发生预测的分辨率降低，通常约为 $\sim 0.1${\deg}。本文提供了一个基准数据集CanadaFireSat以及面向100米高分辨率野火预报的基线方法，覆盖加拿大全境，利用多模态数据，包括高分辨率多光谱卫星图像（Sentinel-2 L1C）、中分辨率卫星产品（MODIS）和环境因素（ERA5再分析数据）。我们的实验考虑了两种主要的深度学习架构。我们观察到，使用多模态时间输入在所有指标上均优于单模态时间输入，在2023年野火季节（模型训练期间从未见过的季节）取得了F1分数60.3%的峰值性能。这展示了多模态深度学习模型在高分辨率和大陆尺度野火预报中的潜力。