A multi-source remote sensing benchmark for event-level wildfire spread prediction in California using spatiotemporal deep learning

方法

融合VIIRS火点、MODIS NDVI与ERA5-Land风场，在100×10

发现

Pairwise-ConvLSTM的RMSE最低（0.0495），Patchwise-ConvLST

机会点

可扩展至多区域、多源数据融合与更长时序预测，并探索植被—风场交互对火蔓延的非线性贡献。

基于卫星的野火蔓延研究在数据组织和评估流程上存在差异，导致模型性能难以比较。我们构建了一个事件级基准，用于比较模型性能并考察模型如何使用可用输入。该基准覆盖2012年至2021年期间的加利福尼亚州，结合了VIIRS 375 m活跃火观测数据、MODIS NDVI-derived植被信息以及ERA5-Land风场数据。每个野火事件在固定的100 × 100网格上表示。每个序列样本使用十个历史日步长来预测次日卫星观测的火状态掩膜。六种时空模型（CNN-LSTM、Vision Transformer、ConvLSTM、Pairwise-ConvLSTM、Patchwise-ConvLSTM和ST-GNN）在统一的输入定义、预处理流程、预测目标和指标下进行了评估。训练后应用Integrated Gradients量化五个栅格输入通道对次日模型输出的归因。Pairwise-ConvLSTM在累积野火数据集上取得了最低的总体RMSE（0.0495）。在评估的五种Patchwise-ConvLSTM配置中，7 × 7设置取得了最高的观测F1分数（0.955），精确率（0.962）和召回率（0.949）。在新烧毁像素子集上，相同配置取得了精确率（0.916）、召回率（0.888）和F1分数（0.902）。归因分析显示，植被约束的未燃烧状态（7.23 × 10−5）和先前累积火灾历史（5.13 × 10−5）的平均绝对值高于新检测到的火灾像素（1.81 × 10−5）、东风分量（7.01 × 10−6）和北风分量（8.97 × 10−6）。该基准为评估次日卫星观测野火蔓延预测中的预测性能和模型输入使用提供了共同框架。