利用多线性算子实现野火-烟雾图的实时训练
机器学习
2026-05-07 v1 大气与海洋物理
计算物理
摘要
野火是细可颗粒物的主要来源，对人体健康和电网构成影响。长期预测烟雾影响需要纳入燃料处理策略、自然燃料 succession 以及诸如雷击等随机事件。然而，对每个燃料分布使用耦合火灾-大气模型进行前向仿真在计算上不可行。相对简单的文件模型在众多长期情景下可行运行，但未能捕捉烟雾输运。我们使用数据驱动的多线性算子，从火灾 ignition 时间信息预测烟雾浓度场。我们的 метод 首先计算火灾 ignition 时间和烟雾浓度场的主成分，然后学习从输入系数的幂到输出系数的映射。我们将所学算子应用于上罗戈河流域的烟雾预测。在收集训练数据后，CPU 上学习近似权重耗时不足 30 秒，每次前向调用耗时不足 1 毫秒。在对气溶粒光学厚度 (AOD) 进行代理评估时，我们获得的准确率与蒙特卡洛抽样相当，且所需耦合模型调用次数不足其一半。对于烟雾检测，我们在 holdout 数据上获得了 65% 的交并比 (IoU) 和 0.95 的受试者工作特征曲线下面积 (AUC)。我们的方法在准确性上显著优于最相似的已发表烟雾分类器，该分类器在澳大利亚 2015 年 bushfire 上获得的 IoU 和 AUC 分别为 0.15 和 0.61。
引用
@article{arxiv.2605.04164,
title = {Enabling Real-Time Training of a Wildfire-to-Smoke Map with Multilinear Operators},
author = {Zachary Morrow and Joseph Crockett and John D. Jakeman and Dan J. Krofcheck},
journal= {arXiv preprint arXiv:2605.04164},
year = {2026}
}
备注
27 pages