林火预测顶会数据集分享｜WildfireSpreadTS 多模态时序林火数据集完整使用指南（附45G网盘直链）

@Mr_LiuYang2026-07-23 17:30

引言：野火预测领域的数据集痛点

全球极端高温加剧山林野火灾害，基于遥感+时序深度学习的野火蔓延预测成为防灾减灾核心研究方向。

但目前开源野火数据集普遍存在几大短板：

  1. 仅单张静态影像，缺少连续时序观测，无法建模火灾动态蔓延过程；
  2. 特征维度单一，仅含火情掩码，缺失气象、地形、植被多模态耦合信息；
  3. 分辨率粗糙、数据量小，难以支撑Transformer、U-Net、ConvLSTM等复杂时空模型训练；
  4. 配套训练代码、基线实验缺失，拿到数据也无法快速复现论文结果。

2023年NeurIPS数据集赛道发布的 WildfireSpreadTS 完美解决以上痛点，是目前野火时序预测领域公认标准Benchmark数据集。本文完整拆解数据集信息、开源代码环境部署、训练流程、已知坑点修复，同时放出完整45G原始数据集网盘下载链接，开箱即用。

一、WildfireSpreadTS 数据集核心信息

1. 基础概况

数据集由瑞典皇家理工学院KTH团队发布，收录2018.01--2021.10美国西部607场真实野火完整生命周期时序数据：

  • 总影像数量：13607张每日多通道遥感图
  • 统一空间分辨率：375m
  • 总存储大小：45G（WildfireSpreadTS.zip）
  • 时序粒度：24小时单步预测，支持自定义多日历史输入、多日未来推演
  • 开源协议：CC-BY-4.0（商用/学术均可）

2. 23维多模态通道特征（四大类）

数据集全部数据对齐时空坐标，无需手动配准，四大维度覆盖野火蔓延全部影响因子：

  1. 火情掩码：当日活跃火区、过火区域标注（标签真值）
  2. 气象时序特征：风速、湿度、温度、降水、大气压力等逐日观测
  3. 地形静态特征：海拔、坡度、坡向（存在已知角度特征Bug）
  4. 植被燃料特征：植被类型、可燃物含水率、地表覆盖密度

读取到它的 23 个波段名如下（按 band 顺序）：

bash 复制代码 
- 1 M11
- 2 I2
- 3 I1
- 4 NDVI_last
- 5 EVI2_last
- 6 total precipitation
- 7 wind speed
- 8 wind direction
- 9 minimum temperature
- 10 maximum temperature
- 11 energy release component
- 12 specific humidity
- 13 slope
- 14 aspect
- 15 elevation
- 16 pdsi
- 17 LC_Type1
- 18 total_precipitation_surface_last
- 19 forecast wind speed
- 20 forecast wind direction
- 21 forecast temperature
- 22 forecast specific humidity
- 23 active fire

3. 数据集核心优势

  1. 原生时序结构：每场火灾完整生命周期连续观测，支持ConvLSTM、时空Transformer、UTAE等时序模型训练；
  2. 多模态融合：23通道高维混合特征，贴近真实防灾系统输入；
  3. 真实噪声场景：包含云雾遮挡、火情检测误差等真实干扰，训练模型泛化能力更强；
  4. 标准评测方案：官方12折逐年交叉验证，训练集/测试集按年份隔离，模拟真实落地推演场景；
  5. 完整开源配套：数据预处理、HDF5加速转换、U-Net基线、WandB网格搜索全套Python代码。

4. 适用研究方向

  • 时空深度学习：ConvLSTM、UNet+LSTM、时空注意力模型、扩散生成式野火预测
  • 遥感多模态融合、噪声鲁棒分割、不平衡语义分割
  • 灾害不确定性预测、时序风险推演、防灾应急决策AI
  • 卫星遥感地球观测大模型微调

二、官方开源资源汇总（可直接访问）

1. 主项目代码仓库（训练/推理/基线实验）

仓库地址：https://github.com/SebastianGer/WildfireSpreadTS

  • Star：学术高星基准项目，Python 100%实现
  • 核心目录说明
    | 目录 | 功能 |
    |------|------|
    | src/dataloader/ | 官方PyTorch Dataset、Lightning DataModule，可直接导入训练 |
    | src/preprocess/ | 原始数据集转HDF5高速缓存脚本（训练提速数倍） |
    | cfgs/ | YAML配置文件，单GPU训练、WandB网格搜索全部基线参数 |
    | train.py | 一键启动训练入口，支持命令行覆盖配置参数 |

2. 数据集生成GEE源码（自行扩充区域可用）

https://github.com/SebastianGer/WildfireSpreadTSCreateDataset

基于Google Earth Engine批量导出全球野火时序遥感数据，可自定义区域、时间范围生成私有数据集。

3. 论文原文引用

论文链接：https://openreview.net/forum?id=RgdGkPRQ03

bibtex 复制代码 
@inproceedings{
 gerard2023wildfirespreadts,
 title={WildfireSpread{TS}: A dataset of multi-modal time series for wildfire spread prediction},
 author={Sebastian Gerard and Yu Zhao and Josephine Sullivan},
 booktitle={Thirty-seventh Conference on Neural Information Processing Systems Datasets and Benchmarks Track},
 year={2023},
 url={https://openreview.net/forum?id=RgdGkPRQ03}
}

三、45G完整数据集网盘下载（国内直下，无需科学上网）

原始Zenodo官方地址下载速度极慢，整理完整压缩包分享至夸克网盘，解压即用：

网盘获取方式

  1. APP内口令直达：/~a3203Zij6o~:/
  2. 链接地址：https://pan.quark.cn/s/a7b33f71091a?pwd=NW7S
  3. 提取码：NW7S
    文件：WildfireSpreadTS.zip，总大小45G，包含全部原始时序遥感数据。

下载&解压注意事项

  1. 磁盘预留至少100G空间（原始包45G + HDF5转换后翻倍占用）；
  2. 解压路径避免中文、空格，防止预处理脚本读取失败；
  3. 建议SSD存储，HDF5训练IO密集，机械硬盘会严重拖慢训练速度。

四、环境部署与数据预处理完整流程

1. 依赖安装

shell 复制代码 
# 克隆代码仓库
git clone https://github.com/SebastianGer/WildfireSpreadTS.git
cd WildfireSpreadTS

# 安装全部依赖
pip3 install -r requirements.txt

依赖包含：PyTorch、Pytorch-Lightning、LightningCLI、WandB、h5py、rasterio、torchmetrics等遥感深度学习常用库。

2. 原始数据转HDF5（关键提速步骤）

原始遥感文件读取速度极低，官方推荐转换为HDF5格式加速训练：

shell 复制代码 
# 替换参数为你的解压目录与HDF5输出目录
python3 src/preprocess/CreateHDF5Dataset.py \
--data_dir /your/unzip/WildfireSpreadTS \
--target_dir /your/hdf5/output
  • 可选跳过转换：训练时添加参数 --data.load_from_hdf5=False，但训练速度下降5~10倍；
  • 转换耗时：单台PC约2~4小时，建议后台运行。

3. 基线U-Net模型一键训练示例

shell 复制代码 
python3 train.py \
--config=cfgs/unet/res18_monotemporal.yaml \
--trainer=cfgs/trainer_single_gpu.yaml \
--data=cfgs/data_monotemporal_full_features.yaml \
--seed_everything=0 \
--trainer.max_epochs=200 \
--do_test=True \
--data.data_dir /your/hdf5/output
  • 关闭WandB日志（无账号可用）：执行前设置环境变量
shell 复制代码 
export WANDB_MODE=disabled
  • 参数优先级：命令行参数 > yaml配置文件，可自由覆盖学习率、批次、输入时序长度。

五、官方已知Bug与修复方案（2026最新更新）

仓库2026年2月更新README，披露两处关键数据缺陷，复现实验必须注意：

Bug1：数据集类原始逻辑错误

早期代码Dataset读取存在索引偏移，修复commit：ab3c8f35c5ec8c52c306a4488eaeb71a5a13d0de

  • 影响：原始未修复代码模型精度偏低；
  • 处理：拉取main最新分支代码，如需复现论文原始结果可回滚至该commit。

Bug2：角度特征仅使用sin丢失相位信息（未修复）

坡向等角度特征当前代码仅做sin变换，缺少cos分量，会丢失完整角度信息；

  • 临时解决方案：在特征预处理层手动拼接sin(angle)、cos(angle)双通道输入模型；
  • 官方说明：因项目排期暂未推送修复补丁，做地形相关消融实验需自行修改。

额外踩坑点补充

  1. torchmetrics新版本PR曲线绘图报错：仓库已修复src绘图代码，更新代码即可；
  2. 超大文件夹读取内存溢出：分批转换HDF5，不要一次性加载全部607场火灾；
  3. 标签极度不平衡：训练推荐使用Focal Loss、Dice Loss替代原生BCE。

六、数据集拓展与二次开发

  1. 时序长度自定义：原生支持输入1~N天历史观测，预测未来1/3/7天火灾蔓延，适配短期/中长期推演任务；
  2. 区域扩充：使用配套GEE导出脚本，下载国内山林野火遥感数据，构建本土化野火预测数据集；
  3. 多模型适配：官方DataModule直接输出标准PyTorch DataLoader，可无缝对接ConvLSTM、U-TAE、时空Transformer、扩散模型；
  4. 消融实验快速搭建：cfgs目录提供多组特征子集配置（仅植被/植被+地形/全模态），快速对比不同特征贡献度。

下图是测试结果示例，效果一般。从算法角度来说有很大改进空间。

七、总结与拓展资源

WildfireSpreadTS是野火时空预测领域唯一同时具备大规模真实时序、多模态遥感、完整开源基线、标准化评测的公开数据集，不管是硕士课题、遥感顶会论文、防灾AI落地项目都具备极高复用价值。

配套资源清单

  1. 45G完整数据集：夸克网盘（链接+提取码上文已给出）
  2. 训练/预处理源码：https://github.com/SebastianGer/WildfireSpreadTS
  3. GEE数据生成脚本：https://github.com/SebastianGer/WildfireSpreadTSCreateDataset
  4. 论文原文：https://openreview.net/forum?id=RgdGkPRQ03
  5. 引用bibtex：文中已附，论文发表NeurIPS 2023 Datasets Benchmark Track

后续研究建议

  1. 针对角度特征Bug优化特征工程，提升地形相关预测精度；
  2. 基于该数据集搭建扩散、时序Transformer生成式野火预测模型；
  3. 结合国内卫星遥感数据，迁移学习构建本土化野火预警系统。

附录：快速复制下载信息

网盘口令：/a3203Zij6o😕

链接：https://pan.quark.cn/s/a7b33f71091a?pwd=NW7S

提取码：NW7S

文件：WildfireSpreadTS.zip（45G）

相关推荐
沐欣工作室_lvyiyi4 个月前
基于单片机的机房火灾预警系统（论文+源码）
单片机·嵌入式硬件·云平台·火灾预警
无锡布里渊1 年前
分布式光纤应变监测是一种高精度、分布式的监测技术
分布式·温度监测·分布式光纤测温·厘米级·火灾预警·线型感温火灾监测·分布式光纤应变
热门推荐
012026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片02GitHub 镜像站点03如何新建文件夹？ 电脑新建文件夹的4种方法04AI科技热点日报 | 2026年07月01日05国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）06幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南07AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路08【解构】DeepSeek V4 发布：技术报告深度解读 + 横向对比六大开源模型，我们的判断是……092026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？10微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新