PyroAdapt：应对时空分布漂移的野火预测自适应模型框架

研究团队提出野火预测自适应框架 PyroAdapt，用于解决野火发生极端稀疏性以及空间异质性与时间分布漂移带来的预测退化问题。

• 历史野火数据训练的模型在面对新地域或新气候条件时往往精度下降，需要向目标分布进行迁移适应。
• PyroAdapt 采用“预训练-检索-排序”范式，结合地形、生态区嵌入和起火率检索历史相似区域，并通过风险排序微调目标模型。
• 框架统一了直接排序、残差成对 DPO（RDPO）与选择性排序目标，在加州网格实验中将日平均精度从 21.62% 提升至 24.35%-24.57%，前 5% 召回率提升至 22.11%-22.79%。
• 在固定每日 34 个网格的检测预算下，选择性排序多捕获了 344 个火灾网格日，在干物质消耗排名前 5% 的极度火灾事件中召回率提升了 39.70 个百分点，且在优胜美地的时间漂移评估中保持增益。
• 影响/看点：该框架意味着在有限的资源巡防预算下野火风险预测系统能更有效地聚焦高危区域与极端火灾，其应用前提是目标区域具备较完备的气象与地理先验特征。
• 资料依据:
• arXiv（2026-05-18）：https://arxiv.org/abs/2605.12435
• Hugging Face（2026-09-28）：https://huggingface.co/papers/2605.12435

本内容由 AI 生成，仅供参考，请注意甄别