使用自回归条件生成对抗网络的概率性野火蔓延预测
机器学习
2025-11-27 v1 人工智能
计算工程、金融与科学
计算机视觉与模式识别
摘要
气候变化加剧了野火的频率和严重性，使得快速准确地预测火势蔓延对于有效的减灾和响应至关重要。基于物理的模拟器（如FARSITE）提供高保真预测，但计算量大，限制了其在实时决策中的应用，而现有的深度学习模型通常产生过于平滑的预测，无法捕捉野火传播的复杂非线性动力学。本研究提出了一种用于概率性野火蔓延预测的自回归条件生成对抗网络（CGAN）。通过将预测任务表述为自回归问题，该模型学习顺序状态转换，确保了长期预测的稳定性。实验结果表明，所提出的基于CGAN的模型在整体预测精度和火场边界的描绘方面均优于传统的深度学习模型。这些结果表明，对抗性学习使模型能够捕捉野火蔓延的强非线性和不确定性，而不是简单地拟合像素平均值。此外，自回归框架有助于对野火演变进行系统的时间预测。所提出的基于CGAN的自回归框架增强了野火蔓延预测的准确性和物理可解释性，为时间敏感的响应和疏散规划提供了有前景的基础。
引用
@article{arxiv.2511.21019,
title = {Probabilistic Wildfire Spread Prediction Using an Autoregressive Conditional Generative Adversarial Network},
author = {Taehoon Kang and Taeyong Kim},
journal= {arXiv preprint arXiv:2511.21019},
year = {2025}
}
备注
22 pages, 15 figures, Submitted to Journal of Environmental Management