Die Vorhersage von Waldbränden ist entscheidend für die Landnutzungsplanung und die Katastrophenvorsorge. Hierfür präsentieren wir „Next Day Wildfire Spread“ (NDWS), einen kuratierten, groß angelegten, multivariaten Datensatz historischer Waldbrände, der nahezu ein Jahrzehnt Fernerkundungsdaten aus den Vereinigten Staaten aggregiert. Im Gegensatz zu bestehenden Feerdatensätzen, die auf Erdbeobachtungssatelliten basieren, kombiniert unser Datensatz zweidimensionale Branddaten mit mehreren erklärenden Variablen (z.B. Topographie, Vegetation, Wetterbedingungen, Trockenheitsindex, Bevölkerungsdichte) über zweidimensionale Regionen hinweg, wodurch ein datenreicher Satz für maschinelles Lernen bereitgestellt wird. Um die Nützlichkeit dieses Datensatzes zu demonstrieren, implementieren wir ein neuronales Netzwerk, das die räumlichen Informationen dieser Daten nutzt, um die Ausbreitung von Waldbränden vorherzusagen. Wir vergleichen die Leistung des neuronalen Netzwerks mit anderen Modellen des maschinellen Lernens: logistische Regression und Zufallswald (Random Forest). Dieser Datensatz kann als Benchmark verwendet werden, um Waldbrandausbreitungsmodelle auf Basis von Fernerkundungsdaten für eine Vorhersagezeit von einem Tag zu entwickeln.