基于链式思考 oracle 的野火风险栅格预测——FireScope

预测野火风险是需要综合视觉、气候和地理因素以推断连续风险图的推理密集型空间问题。现有方法缺乏对可靠泛化所需的因果推理和多模态理解。我们引入FireScope-Bench，一个大规模数据集和基准，將Sentinel-2卫星影像和气候数据与专家定义的风险栅格在美国全境以及欧洲的实际野火事件进行跨大陆评估。建立在该数据集之上，我们提出FireScope，一个基于视觉语言模型的推理到生成框架，学习来自强化学习和视觉监督，以实现对风险栅格的预测，配合推理痕迹。当在美国训练、在欧洲测试时，FireScope实现了显著的性能提升，而专家反馈和自动分析确认，其推理痕迹是忠实且语义上有意义的。我们的发现表明，推理可以为栅格预测模型提供支撑，提高了两者的泛化性和可解释性。据我们了解，这是第一个（1）展示语言基方法可提高视觉生成泛化性的框架，（2）提出可跨大陆应用的高分辨率野火风险模型，（3）实现多模态野火风险模型系统性研究稳健跨大陆泛化的框架。我们相信FireScope-Bench有潜力作为推理驱动、可解释且可泛化的空间建模基础而发展。数据和源代码将公开提供。