统一基准加强化学习特征选择：学习模型在野火后泥石流预测中稳定优于固定系数USGS模型，且驱动因子随区域显著变化
核心概要
该工作构建了野火后泥石流（PFDF）数据驱动预测的统一基准，用LLM将业务天气预报文本转为结构化气象指标并融合地形与土壤湿度特征，并提出基于强化学习的特征选择框架，通过扰动使正负样本预测不可区分来识别关键驱动因子；结果显示可学习模型一致优于固定系数的USGS逻辑回归基线，增强特征进一步提升多数模型表现，且风暴变量在全球层面占主导而特征重要性随区域显著变化。
Figure 1. Benchmark Framework of Data-driven PFDF Prediction, including data curation, evaluation metrics, baseline, and feature selection. Heterogeneous environmental inputs support standardized model comparisons, while reinforcement learning identifies influential features. Benchmark Framework of Data-driven PFDF Prediction, including data curation, evaluation metrics, baseline, and feature selection. Heterogeneous environmental inputs support standardized model comparisons, while reinforcement learning identifies influential features.
arXiv深度剖析
建立统一的PFDF数据驱动预测基准，在相同的数据划分、特征表与评价协议下比较固定USGS业务模型与LR、CART、SVM、NN、RF、HGB等可学习基线及其增强特征变体。 此前研究在特征空间、模型架构与评估协议上高度碎片化，难以严格比较；该基准以区域分层重复划分和Threat Score为主要指标，使跨方法比较与科学结论推导成为可能。 基于Staley等发布的灾后泥石流数据库，含1,243个风暴—流域事件、33场火灾、10个地理分区，其中316个正例（25.4%）；完整案例子集为1,131个事件、292个正例（25.8%）。采用50/25/25、60/20/20、70/15/15、80/10/10四种区域分层比例与五个划分种子，报告五次种子的平均测试Threat Score与标准差。
通过LLM文本处理将业务天气预报（Area Forecast Discussions、Hazardous Weather Outlooks）转为结构化PFDF气象指标，并结合USGS 3DEP地形属性与NLDAS-2土壤湿度、火后时间，构成增强特征表。 以往方法多依赖降雨统计量，忽略业务预报中的更丰富气象背景与风暴动力学；该工作把叙述性预报转化为可用的预测信号。 增强特征变体在多数模型族上进一步提升表现，尤其SVM、随机森林与神经网络；原始特征表对树集成已表现较强。
提出基于强化学习的特征选择框架，学习二值特征移除掩码，以标准化均值差衡量正负样本预测分离度，并优化掩码使该分离度相对未掩码输入最大程度塌缩，从而识别对PFDF判别重要的因子。 提供可解释的全局与区域驱动因子分析，而非仅追求预测精度；掩码用训练集参考值替换被抑制特征，稀疏项避免过度抑制。 采用REINFORCE式策略梯度优化离散掩码目标；结果显示风暴相关变量在全球层面主导，土壤可蚀性、火烧严重度与地形坡度也持续重要，地理分区本身作为高重要性特征凸显区域特异性。
区域诊断揭示PFDF机制并不统一：OSD与SGSBSJ以风暴/降雨因子为主，SWCO与WMT以地形和地理因子为主；固定USGS公式在OSD漏报25个正例中的9个，在SWCO漏报10个中的8个，而在MT仅漏报18个中的1个。 说明固定系数模型难以适应区域机制，而自适应学习模型可借助分区表示学习区域特定关系，同时保持物理可解释性。 SWCO中观测到的PFDF事件降雨强迫均值小于非PFDF事件，违反USGS方程假设的单调关系，导致固定模型将许多正例排序过低；MT中USGS变量已与观测结果对齐良好，故灵活模型改进空间有限，额外学习交互在重复划分下可能略微降低表现。
启示与展望
该基准面向美国西部已监测火烧流域的风暴—流域事件级二分类PFDF发生预测，适用于具备风暴强迫、流域与火烧属性及二值标签的场景；增强特征依赖USGS 3DEP地形、NLDAS-2土壤湿度与业务天气预报文本的可获取性。区域分层评估与Threat Score设计服务于类别不平衡的危害检测，便于在相同协议下比较固定业务模型与可学习模型。代码与基准公开，便于后续在相同数据与划分下复现与扩展。
原文以快速解析形式呈现，表2与图2、图3的具体数值未在文本中给出，因此各模型在各划分比例下的Threat Score数值、增强特征带来的提升幅度以及各分区前十大重要特征的完整排序无法在此量化；这些细节需查阅原文图表。区域机制结论基于特定数据库与分区划分，向其他地理区域或数据集的推广仍需进一步验证。未来工作提出发展区域PFDF预测的物理信息方程，并研究泥石流预测系统对知识投毒与数据抽取攻击的脆弱性，这些方向尚待展开。