FireGraphNet：基于有向图神经网络的亚日尺度野火蔓延预测

arXiv:2610.19191v1 公告类型：新提交 摘要：野火应对决策以小时为时间尺度，而大多数基于机器学习的蔓延模型以天为时间尺度，对包括过火面积在内的目标进行预测。我们提出 FireGraphNet，将12小时内的火场扩展建模为有向 H3 图上的节点分类问题，在火场前沿之外设置候选节点，并在边上编码风向一致性、地形、可燃物连续性和阻隔因素。在基于卫星观测的火场边界数据上，该模型在加利福尼亚州测试火灾中的平均精确率达到最强距离基线的1.7—1.9倍，在州外火灾中达到1.62倍。我们表明，这种预测能力源于消息传递，而非网格单元特征或聚合器；它在州内发生不久的火灾上最为突出，可通过图中的边沿风向传递至更远处，却会被池化掩盖。卷积网络在以新增过火区域为目标进行训练后，也能达到相当的排序性能，但校准表现更差，因此候选节点构建、目标定义和聚合方式都会影响对模型预测能力的判断。修改可燃物和阻隔属性时，有指导的布局比随机布局能更大幅度地降低预测蔓延程度，从而将 FireGraphNet 的用途扩展至实际作业中的干预分析。