Nghiên cứu
PyroAdapt: Khung dự báo cháy rừng thích ứng với biến động không gian và thời gian
(giờ Việt Nam)
Tóm tắt AI
PyroAdapt sử dụng quy trình "tiền huấn luyện - truy xuất - xếp hạng" để tối ưu hóa dự báo cháy rừng. Kết quả thử nghiệm tại California cho thấy độ chính xác và tỷ lệ thu hồi tăng đáng kể so với các phương pháp truyền thống.
Chính văn · Bản dịch AI
Tóm tắt: Dự đoán sự xuất hiện của cháy rừng là một bài toán về sự kiện hiếm gặp, trở nên phức tạp hơn do tính không đồng nhất về không gian và sự thay đổi phân phối theo thời gian, vì số lượng vụ cháy ít hơn rất nhiều so với số lần không xảy ra cháy, và mối quan hệ giữa các yếu tố dự báo với cháy rừng thay đổi theo không gian và thời gian. Các mô hình được huấn luyện trên dữ liệu cháy rừng lịch sử có thể hoạt động kém hiệu quả trong các điều kiện mới và cần được thích nghi với phân phối mục tiêu trước khi đưa vào vận hành. Chúng tôi đề xuất PyroAdapt, một khung tiền huấn luyện--truy xuất--xếp hạng giúp thích nghi mô hình đã được tiền huấn luyện với các điều kiện mục tiêu bằng cách truy xuất các địa điểm lịch sử có điều kiện tương tự và tinh chỉnh dựa trên kết quả truy xuất thông qua xếp hạng rủi ro. Để thích nghi không gian, chúng tôi điều kiện hóa rủi ro dựa trên địa hình, các embedding vùng sinh thái và tỷ lệ cháy, tính đến bối cảnh không gian trong quá trình truy xuất, đồng thời học thứ tự rủi ro từ các cặp ô có cháy--không cháy trong cùng một ngày. Chúng tôi so sánh xếp hạng trực tiếp, DPO cặp dư (RDPO) và xếp hạng chọn lọc thông qua một công thức khoảng cách điểm thống nhất giúp đặc tả sự phân bổ gradient của chúng. Tại California (được chia thành 666 ô lưới 0,25x0,25), các mục tiêu này nâng độ chính xác trung bình hàng ngày từ 21,62% (đối với tinh chỉnh focal liên tục) lên 24,35--24,57%, và độ thu hồi Top5% từ 18,70% lên 22,11--22,79%. Với ngân sách phát hiện hàng ngày cố định là 34 ô (5% diện tích), xếp hạng chọn lọc bắt được thêm 344 ô--ngày dương tính. Đối với các vụ cháy nằm trong top 5%/10%/20% về mức tiêu thụ chất khô, xếp hạng chọn lọc nâng độ thu hồi lên lần lượt 39,70/28,18/20,50 điểm phần trăm. Hơn nữa, các đánh giá cuốn chiếu tại Yosemite cho thấy những cải thiện từ việc xếp hạng vẫn duy trì dưới sự thay đổi phân phối theo thời gian. Tổng hợp lại, các kết quả này cho thấy PyroAdapt ưu tiên các địa điểm dễ xảy ra cháy nhất dưới ràng buộc ngân sách hàng ngày và phát hiện được nhiều sự kiện cháy cực đoan hơn.
| Chủ đề: | Học máy (cs.LG); Kỹ thuật tính toán, Tài chính và Khoa học (cs.CE) |
| Trích dẫn là: | arXiv:2605.12435 [cs.LG] |
| (hoặc arXiv:2605.12435v2 [cs.LG] cho phiên bản này) | |
| https://doi.org/10.48550/arXiv.2605.12435 DOI do arXiv cấp thông qua DataCite |
Lịch sử gửi bài
Từ: Enyi Jiang [xem email] v1 Thứ Ba, 12 tháng 5, 2026 17:31:00 UTC (230 KB) [v2] Thứ Hai, 28 tháng 9, 2026 04:29:15 UTC (166 KB)
Bài viết được AI dịch và tổng hợp tự động từ HuggingFace Daily Papers (bài nghiên cứu nổi bật của cộng đồng). Liên kết bài gốc ở phía trên. Dữ liệu đồng bộ qua API công khai được ghi nguồn tại AI HOT (canonical) ↗. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.