The Spatiotemporal Fire Graph: Contextualization of Multimodal and Spatiotemporal Data to Describe Wildfire Events

Abstract

Moderne Katastrophenüberwachung benötigt zeitnahe, genaue und kontextreiche Daten. Die Integration verschiedener Datentypen, wie Satellitenbilder und Textberichte, stellt jedoch nach wie vor eine technische Herausforderung dar. In dieser Arbeit wird der Spatiotemporal Fire Graph vorgestellt, ein graphenbasiertes Framework zur Kombination von satellitengestützter Feuererkennung und Metadaten aus Nachrichten in einer einheitlichen raum-zeitlichen Struktur. Der mit Neo4j erstellte Graph integriert FIRMS- Fernerkundungsdaten zur Feuerdetektion (von MODIS und VIIRS) und GDELT-Metadaten aus Nachrichtenartikeln der Jahre 2018 bis 2024 mit Fokus auf Waldbrandereignisse in Deutschland. Die räumlichen Daten werden mit dem globalen H3-Grid-System erfasst; zeitliche, räumliche und thematische Beziehungen werden als semantische Kanten (edges) zwischen den Knoten (nodes) modelliert. Diese Struktur ermöglicht sinnvolle und interpretierbare Abfragen mit der Sprache Cypher. Das System wurde durch statistische Abfragen, visuelle Untersuchungen und Vergleiche mit offiziellen Berichten in mehreren Fallstudien evaluiert. Es war in der Lage, sowohl großflächige als auch kleinräumige Waldbrandereignisse zu erkennen und zu rekonstruieren, wobei der Graph häufig die Schwächen einzelner Quellen ausglich. Diese Ergebnisse bestätigen die zentrale Hypothese: Die Verknüpfung heterogener Daten in einem raum-zeitlichen Graphen verbessert die Erkennung und Charakterisierung von Ereignissen. Diese Arbeit stellt nicht nur einen funktionierenden Prototyp vor, sondern auch einen allgemein anwendbaren, unkomplizierten Graphen für das Katastrophenmonitoring. Bei weiterer Entwicklung könnte der Spatiotemporal Fire Graph ein wertvolles Werkzeug für praktische Anwendungen wie Notfallhilfe und Lageerfassung in verschiedenen Bereichen der Katastrophenüberwachung werden.