西北加拿大可信数据驱动野火风险预测与解释
计算机视觉与模式识别
2026-01-06 v1
摘要
近几十年来，西北加拿大的野火活动强度不断增加，导致重大的社会经济和环境损失。准确的野火风险预测受制于点火和扩散的内在随机性，以及燃料条件、气象、气候变率、地形和人类活动之间非线性相互作用，这对纯数据驱动模型的可靠性和可解释性构成挑战。我们提出一种基于长序列、多尺度时序建模的可信数据驱动野火风险预测框架，集成异构驱动因素，显式量化预测不确定性，并实现过程级解释。该模型在 2023 和 2024 年破纪录的野火季节中进行评估，相较于现有时序方法，采用低计算成本实现 F1 分数 0.90 和 PR-AUC 0.98。不确定性分析揭示了预测置信度的结构化空间和季节性模式，突出了模糊预测及时空决策边界相关的不确定性增加。基于 SHAP 的解释提供了野火控制的机理理解，显示在两年中，温度相关驱动因素主导野火风险，而湿度相关约束在塑造 2024 年空间和土地覆盖特定差异方面发挥更强作用，与 2023 年普遍的炎热干燥条件不同。数据和代码已公开于 https://github.com/SynUW/mmFire。
引用
@article{arxiv.2601.01677,
title = {Trustworthy Data-Driven Wildfire Risk Prediction and Understanding in Western Canada},
author = {Zhengsen Xu and Lanying Wang and Sibo Cheng and Xue Rui and Kyle Gao and Yimin Zhu and Mabel Heffring and Zack Dewis and Saeid Taleghanidoozdoozan and Megan Greenwood and Motasem Alkayid and Quinn Ledingham and Hongjie He and Jonathan Li and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2601.01677},
year = {2026}
}