森林火灾蔓延过程受到植被燃料、地形、气象条件、大气相互作用等多重因素影响，准确记录火场演化过程并预测火线未来位置，是开展灾害风险评估、应急资源调度和消防救援决策的重要基础。然而，现有卫星遥感数据通常受限于空间分辨率和重访周期，难以连续刻画分钟尺度的火线变化；现存无人机遥感数据集多应用于烟火识别和图像分割，缺乏火前环境、燃烧过程与火后影响相互关联的全周期观测数据。

清华大学深圳国际研究生院环境与生态研究院王飞副教授团队围绕真实林火场景下“全生命周期数据缺乏”和“时序蔓延动态预测”两个关键问题，构建了多时相、多模态野火观测数据集THU-Wildfire，并进一步提出通过获取无人机高精度连续影像的野火蔓延预测模型。

图1. THU-Wildfire多时相、多模态野火数据采集框架

团队在云南多个实地计划烧除场景开展实验，综合利用无人机可见光与热红外成像、激光雷达三维扫描、地面微气象站等设备，对火灾发生前、燃烧过程中和燃烧后的环境状态进行连续观测，实现火灾从点火到熄灭全过程的连续记录。所构建的数据集总观测面积超过200万平方米，包含超过20小时的连续记录、6500余幅同步影像和超过350万帧视频数据，同时集成火前与火后点云、正射影像、热红外影像、气象条件、污染物浓度等信息。数据集将火前燃料与地形条件、火中蔓延过程、火后植被结构变化连接起来，可支持燃料制图、火线识别、蔓延模拟和过火影响评估等研究。

图2. THU-Wildfire记录的火灾连续演化和同步环境监测信息

在此基础上，团队进一步提出三维卷积U型网络（3DConv-U-Net）野火时序蔓延预测模型。该模型利用三维卷积提取连续火场影像中的时空演化特征，并通过独立的环境信息编码器融合地形、燃料和气象条件，从而根据近期火线变化持续预测下一时刻的火场分布。与仅依赖单一初始火点或单帧影像的方法相比，该方法能够利用无人机连续观测数据流不断更新预测结果，从而更准确地描述真实火灾的动态传播过程。

图3. 3DConv-U-Net野火蔓延序列预测模型结构

实验结果显示，3DConv-U-Net的索伦森（Sorensen）指数和杰卡德（Jaccard）指数分别达到0.959和0.921，与基于变换器（Transformer）的时序模型相比，该模型参数量减少约70%，在保持较高精度的同时降低了计算消耗。

两项研究共同建立了“真实火场连续观测—多模态数据集构建—模拟数据训练—真实场景验证”的技术路径，为解决野火研究中观测数据稀缺、时间分辨率不足和模型跨尺度迁移困难等问题提供了新的思路，也为无人机火场监测、火线短时预测、面向边缘设备的实时辅助决策提供了数据和方法支撑。

相关数据集研究以“THU-Wildfire：面向野火行为动态研究的多时相、多模态观测数据集”（THU-Wildfire: A multitemporal, multimodal observation dataset for wildfire behavior dynamics）为题，发表于《环境建模与软件》（Environmental Modelling & Software）；野火蔓延预测研究以“融合无人机时序影像与多源环境特征的野火序列蔓延预测”（Integrating UAV image time-series with multi-source environmental features for sequential wildfire spread prediction）为题，发表于《国际应用地球观测与地理信息学杂志》（International Journal of Applied Earth Observation and Geoinformation）。

王飞为两篇论文通讯作者，清华大学深圳国际研究生院2024级硕士研究生周家豪为两篇论文第一作者。

论文链接：

https://doi.org/10.1016/j.envsoft.2026.106872

https://doi.org/10.1016/j.jag.2026.105473