基于分层图 ODE 的高级全球野火活动建模
机器学习
2026-01-06 v1
摘要
野火作为地球系统的重要组成部分，受到大气、海洋和陆地过程在广泛时空尺度上的复杂相互作用的支配。因此，在大尺度上预测野火的全球活动是一项关键且具挑战性的任务。虽然深度学习最近在全球气候预报中取得了显著进展，但其在全球野火行为预测中的潜力仍未得到充分探索。本文重新构建此问题，提出分层图 ODE (HiGO)，一种新型框架旨在学习野火的多尺度、连续时间动力学。具体而言，我们将地球系统表示为多层图层次结构，提出一种自适应滤波消息传递机制，用于实现层内和层间信息流，更有效地提取和融合特征。此外，我们在多个层级上引入基于 GNN 参数化的神经 ODE 模块，以显式学习每个尺度固有的连续动力学。在针对 SeasFire 立方数据集进行的大量实验中，我们展示 HiGO 在长期野火预测中显著优于当前最先进的基线方法。此外，其连续时间预测在观察一致性方面表现突出，凸显其在实际应用中的潜力。
引用
@article{arxiv.2601.01501,
title = {Advanced Global Wildfire Activity Modeling with Hierarchical Graph ODE},
author = {Fan Xu and Wei Gong and Hao Wu and Lilan Peng and Nan Wang and Qingsong Wen and Xian Wu and Kun Wang and Xibin Zhao},
journal= {arXiv preprint arXiv:2601.01501},
year = {2026}
}