FireSenseNet：用于次日野火扩散预测的双分支CNN与跨注意力特征交互
计算机视觉与模式识别
2026-04-10 v1
摘要
准确预测次日野火扩散对于灾害响应和资源分配至关重要。现有深度学习方法通常将异构的地理空间输入拼接为单个张量，忽略了静态燃料/地形属性与动态气象条件之间的根本性物理区别。我们提出FireSenseNet，一种采用新颖跨注意力特征交互模块(CAFIM)的双分支卷积神经网络，通过多个编码器尺度上的可学习注意力门显式建模燃料与天气模态之间的空间变动相互作用。在Google次日野火扩散基准数据集上，对比七种架构（涵盖纯CNN、Vision Transformer和混合设计），结果显示FireSenseNet在F1得分为0.4176，AUC-PR为0.3435，超越所有替代方案（包括参数仅为3.8倍的SegFormer，F1=0.3502）。消融研究表明，CAFIM相比简单拼接可提供7.1%的相对F1提升，通道级特征重要性分析揭示，前一天的火灾掩码主导预测，而在数据集粗糙的时间分辨率下，风速充当噪声。我们进一步引入蒙特卡洛Dropout进行像素级不确定性量化，并呈现关键分析表明常见的评估捷径会使报告的F1分数虚高超过44%。
引用
@article{arxiv.2604.07675,
title = {FireSenseNet: A Dual-Branch CNN with Cross-Attentive Feature Interaction for Next-Day Wildfire Spread Prediction},
author = {Jinzhen Han and JinByeong Lee and Hak Han and YeonJu Na and Jae-Joon Lee},
journal= {arXiv preprint arXiv:2604.07675},
year = {2026}
}