FireCastNet：将地球视为图进行季节性火灾预测
计算机视觉与模式识别
2025-11-20 v2 人工智能
摘要
随着气候变化加剧全球火灾天气条件，准确的季节性野火预测对于灾害准备和生态系统管理变得至关重要。我们引入了FireCastNet，这是一种新颖的深度学习架构，它结合了3D卷积编码与基于GraphCast的图神经网络（GNNs），以模拟全球野火预测的复杂时空依赖关系。我们的方法利用SeasFire数据集——一个包含气候、植被和人类相关变量的综合多变量地球系统数据立方体——来预测长达六个月的过火面积模式。FireCastNet将地球视为一个相互连接的图，使其能够捕捉局部火灾动态以及影响不同时空尺度野火行为的远程遥相关。通过针对最先进模型（包括GRU、Conv-GRU、Conv-LSTM、U-TAE和TeleViT）的全面基准测试，我们证明FireCastNet在全球过火面积预测中实现了卓越性能，在非洲、南美洲和东南亚等火灾多发地区表现尤为突出。我们的分析表明，更长的输入时间序列显著提高了预测的鲁棒性，而空间上下文整合则增强了模型在更长预测周期上的性能。此外，我们实施了局部区域建模技术，为特定区域的预测提供了更高的空间分辨率和准确性。这些发现突显了模拟地球系统相互作用对于长期野火预测的重要性。
引用
@article{arxiv.2502.01550,
title = {FireCastNet: Earth-as-a-Graph for Seasonal Fire Prediction},
author = {Dimitrios Michail and Charalampos Davalas and Konstantinos Chafis and Lefki-Ioanna Panagiotou and Ioannis Prapas and Spyros Kondylatos and Nikolaos Ioannis Bountos and Ioannis Papoutsis},
journal= {arXiv preprint arXiv:2502.01550},
year = {2025}
}