极值森林火灾预测：损失函数在秩序分类方案中的研究
机器学习
2026-05-26 v3 人工智能
摘要
野火是空间和严重程度高度不平衡的自然灾害，使对极端事件的预测尤其具有挑战性。本文引入了首个针对法国运营决策直接对齐的野火严重程度预测的序数分类框架。我们研究了损失函数设计对神经模型预测稀有但关键的高严重程度火灾发生能力的影响。通过在多个架构和真实运营数据上的广泛基准测试，我们显示，序数监督显著优于传统方法。特别是，加权Kappa损失（WKLoss）实现了最佳整体结果，虽在保持竞争校准质量的同时，还在最极端严重程度类别上实现了超过+0.1的IoU（Intersection Over Union）提升。然而，由于稀有事件在数据集中的表示极低，性能仍受限。这些发现突显了将严重程度排序、数据不平衡考量以及季节性风险整合到野火预测系统中的重要性。未来工作将聚焦于将季节动态和不确定性信息纳入训练，以进一步提高极端事件预测的可靠性。
引用
@article{arxiv.2601.03327,
title = {Extreme-value forest fire prediction A study of the Loss Function in an Ordinality Scheme},
author = {Nicolas Caron and Christophe Guyeux and Hassan Noura and Benjamin Aynes},
journal= {arXiv preprint arXiv:2601.03327},
year = {2026}
}
备注
Following external reviews, we identified major methodological issues in the manuscript, including insufficient justification of the ordinal clustering strategy, limited statistical validation, ambiguities in dataset splitting, and missing comparisons with standard ordinal approaches. We therefore request withdrawal in order to prepare a substantially revised version