arXiv cs.AI· Hager Radi Abdelwahed, Toluwaleke Olutayo, Chirag Goel, Jana Osea, Aldo Zaimi, Tom Swystun, Sandy Erni, Francisco Emiliano Lopez Saavedra, Yan Boulanger, Ga\'etan Marceau Caron·· 11 小时前AI 评分34
用 AI 代理模型框架加速加拿大全国野火灾害制图
Accelerating Wildfire Hazard Mapping Across Canada with an AI Surrogate Modelling Framework
AI 导读
研究团队提出 AI 代理模型框架，用多任务深度学习模型模拟 BurnP3+ 的燃烧概率、平均火强度和平均蔓延速度，将原本需数天至数周的计算缩短至秒级。在代表性区域上，该代理模型实现 806 倍端到端 CPU 加速，仅占用 BurnP3+ 13% 的主机内存，并保持下游灾害分类结果。模型还展现出对另一区域 BurnP3+ 研究的零样本迁移能力，轻量微调可显著改善区域校准与预测一致性。
正文 · AI 翻译
摘要：加拿大日益增多的野火活动需要频繁的全国性灾害制图，以指导主动减缓措施，包括燃料管理、土地利用规划、基础设施保护和疏散路线规划。然而，基于过程的野火模拟框架（例如 BurnP3 和 BurnP3+）依赖计算密集的蒙特卡洛模拟来建模燃烧概率、火强度和蔓延速率。这些工作流处理单个区域建模单元可能需要数天到数周。为克服这些计算瓶颈，我们提出三项由 AI 研究人员与野火建模专家合作开发的贡献：(a) 一个标准化框架，用于针对基于过程的野火模拟器训练、微调和评估 AI 代理模型；(b) 一个基于全国尺度数据训练的多任务深度学习代理模型，以极小的计算成本（数秒）模拟燃烧概率、平均火强度和平均蔓延速率；(c) 领域特定指标和反事实评估协议，用于探查分布外泛化能力。通过整合地理空间数据（燃料、地形、点火可能性）和区域天气，我们的模型近似 BurnP3+ 模拟输出，在一致性、秩相关、误差和空间重叠指标上均取得强劲表现。它保留了下游灾害分类，并对专家知情的反事实干预产生物理上合理的响应。此外，我们展示了向另一项区域 BurnP3+ 研究的零样本迁移，并表明轻量级微调可以显著改善区域校准和预测一致性。在一个代表性区域上，该代理模型实现了 806 倍的端到端 CPU 加速，且仅使用 BurnP3+ 主机内存的 13%，从而促进快速情景分析。
| 评论： | 预印本 - 审稿中 |
| 主题： | 人工智能 (cs.AI) |
| 引用为： | arXiv:2610.30170 [cs.AI] |
| （或 arXiv:2610.30170v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.30170 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hager Radi Abdelwahed [查看电子邮件]
[v1]
2026年10月16日星期五 19:06:07 UTC (38,594 KB)
[v2]
2026年10月23日星期五 01:54:02 UTC (38,597 KB)
来源：arXiv cs.AI · arxiv.org