Sen2Fire：一个使用 Sentinel 数据进行野火检测的具有挑战性的基准数据集
内容提要
本文介绍了利用Copernicus计划的Sentinel卫星和Google Earth Engine构建的180,662个样本数据集，支持深度学习算法在场景分类和地表映射中的应用。研究涵盖野火识别、土地利用分类及水资源监测，提出了多模态机器学习方法，强调多光谱指数在火灾管理中的有效性，并提供了基准测试和优化建议。
延伸解读
数据集构建与多模态融合
Sen2Fire数据集利用Sentinel卫星和Google Earth Engine构建，包含180,662个样本，每个样本由双极化SAR、多光谱Sentinel-2和MODIS地表覆盖映射组成，覆盖所有有人居住的大陆和气象季节。这种多源多时相设计支持场景分类和语义分割等任务，为深度学习算法提供了丰富且多样化的数据基础。
野火识别方法创新
文章提出了一种多模态监督机器学习方法，通过结合多个信息源提高热点检测准确性，并利用European Forest Fire Information System等数据库交叉引用构建大规模热点数据集。实验表明该方法能有效区分野火与其他事件，为野火识别提供了新思路。
多光谱指数在火灾管理中的应用
文章总结了与火灾管理相关的多光谱指数，涵盖植被和土壤属性提取、水域特征映射、人工结构识别和火灾后烧毁区域估计等领域。强调NDVI和NDWI等指数在野火管理中的多功能性，并建议结合互补处理方案和额外数据源（如高分辨率遥感图像和地面测量）以提高准确性。
相关数据集与基准测试
文章还介绍了多个相关数据集，如SEN2DWATER扩展用于水资源监测、亚马逊森林砍伐和火灾检测数据集、土地利用分类数据集（27,000个标记图像）、燃烧区域划分数据集（加利福尼亚森林火灾）以及THRawS原始温度热点数据集。这些数据集为不同任务提供了基准测试，推动了遥感领域的研究。
Q&A
Sen2Fire数据集的主要组成部分是什么？
Sen2Fire数据集由双极化合成孔径雷达（SAR）图像、多光谱Sentinel-2图像和MODIS地表覆盖映射的三元组组成。
Sen2Fire数据集支持哪些深度学习任务？
该数据集支持场景分类和地表映射等深度学习任务。
多模态监督机器学习方法在野火识别中的有效性如何？
实验结果表明，多模态监督机器学习方法在野火识别任务中表现出有效性。
如何结合不同数据源进行水资源监测？
通过将雷达数据与多光谱数据结合，生成新颖的多源多时期数据集用于水资源监测。
Sen2Fire数据集提供了多少个标记和地理参考图像？
该数据集提供了包含27,000个标记和地理参考图像的新数据集。
多光谱指数在火灾管理中有哪些应用？
多光谱指数在火灾管理中用于植被和土壤属性提取、水域特征映射、人工结构识别和火灾后烧毁区域估计。
