野火蔓延的参数学习的物理信息神经网络

野火是一种恐怖的自然灾害，凸显了开发数据驱动和物理信息型数字孪生体以应对野火预防、监测、干预和应急的迫切需求。在此方向的研究中，本文引入了一种物理信息神经网络（PiNN），用于学习野火蔓延模型的未知参数。所采用的建模方法将关键模型参数纳入，以捕捉野火复杂行为所必需的基本物理定律。该方法将人工神经网络理论与野火动力学所受制约的物理约束相结合，包括质量守恒和能量守恒的基本原理。针对一维和二维火 fronts 的时空演化，采用合成数据对PiNN进行物理信息参数识别训练；同时也使用来自加州塔罗火灾（Troy Fire，2002年6月19日）的实地数据（地表热成像图像）。参数学习结果表明，所提出的PiNN在一维和二维火灾蔓延场景以及塔罗火灾中，具有较强的预测能力，能够揭示野火模型中未知系数的含义。此外，该方法在存在噪声数据时仍能识别相同的参数，显示出较好的鲁棒性。通过将该PiNN方法整合到更完整的框架中，所构想的物理信息数字孪生体将增强智能野火管理和风险评估，为主动和被动策略提供强大的工具。