PyroAdapt 用检索加排序微调把加州野火每日预警的平均精度从 21.62% 提到 24.35–24.57%，固定 34 格预算下多捕获 344 个正样本格日
该工作提出 PyroAdapt 的“预训练—检索—排序”框架：先用历史数据预训练野火风险模型，再用目标年份的无标签协变量检索相似历史位置，并通过同一天火—非火格点对的排序损失（直接排序、残差成对 DPO、选择性排序）进行微调；在加州 666 个 0.25° 格点上，三种排序目标把日均平均精度从继续焦点微调的 21.62% 提升到 24.35–24.57%，Top5% 召回从 18.70% 提升到 22.11–22.79%，在每日 34 格（5% 面积）的固定检测预算下选择性排序多捕获 344 个正样本格日，并在 Yosemite 的滚动评估中显示排序收益在时间分布漂移下仍然存在。