野火预测改按12小时算：FireGraphNet用有向图把火线前沿排序提到距离规则的1.7–1.9倍
核心概要
野火决策以小时计，而已有的学习型蔓延模型多在日尺度上预测，目标里还包含已经烧过的区域。FireGraphNet把未来约12小时的蔓延改写为有向H3六边形图上的节点分类：候选格是火线前沿外5环内的未燃格，边携带风向对齐、地形高差、燃料连续性和障碍物信息，图神经网络沿边传递消息。在5场加州封存测试火上，五个变体的平均精度是最强距离基线的1.7–1.9倍；在5场州外火上，GINE变体对距离基线保持1.62倍。
深度剖析
野火蔓延预测的评分对象从“下一日烧过哪些格”换成“未来约12小时内火线前沿外哪些未燃格会新烧”，预测单位因此从天缩短到半天。 此前多数学习型模型按日预测，目标包含已烧区域；最接近的图节点分类工作也是日尺度、无向且不带边特征，评分格取自火的最终周界。 在5场未参与选模的加州测试火上，五个FireGraphNet变体的平均精度为0.0624–0.0710，最强距离基线为0.0369，无技能水平即正例占比为0.0165。
预测能力来自沿边传递邻域信息，而不是单个格自身的特征。 只用格特征、不做消息传递的多层感知机平均精度为0.0394，与按环距离排序的基线0.0369相当。 去掉边特征的GraphSAGE变体在五个变体中平均精度最低，Brier分数与校准误差也最差；带边特征的GINE变体Brier为0.035，其余变体为0.050–0.094。
同一套图模型在训练区域之外仍保留排序能力，而不用消息传递的对照在州外没有技能。 州外测试集在冻结时即声明只用于评估，并按预注册要求一次性运行，要求总体提升大于1且成熟火线分层也大于1。 5场俄勒冈、华盛顿和科罗拉多火的总体提升为1.62，成熟火线分层为1.73，逐火提升从East Troublesome的1.12到Santiam Complex的3.22；无消息传递对照为1.06。
把栅格卷积网络放到同一候选目标上训练后，池化排序与图模型在统计上无法区分，但两者在运行行为上分开。 同一Res18-U-Net若按包含已烧足迹的全掩膜目标训练，平均精度为0.0230，低于距离基线0.0369。 改为候选目标后该网络平均精度为0.0769，GINE为0.0710；但它的Brier和校准误差分别比GINE差6.9倍和3.6倍，验证集冻结阈值迁移时损失31%的可达CSI，而GINE损失2%，其种子间标准差约为GINE的2.4倍。
启示与展望
结论覆盖2018–2021年加州火与2020–2021年州外确认集，限于活跃火线前沿5个H3环内、约12小时窗口的回顾性预测；该范围在加州测试集包含88.8%的新烧格，州外为71.9%。读者对象是从事野火蔓延建模与评估的研究者和工程师，模型输入全部来自公开数据，不需要预报产品。
作者指出概率仍未校准，使用前需在独立数据上校准并按部署阈值与代价评估；5环候选范围漏掉部分快速蔓延，卫星标签存在探测不确定性和观测间隔变化，FEDS标称时间戳与观测时间约差8.5小时。燃料与障碍物编辑测的是学习模型的反事实敏感性，在燃料主导的CZU火上随机障碍编辑甚至提高预测蔓延，因此不能据此声称管理有效性。