随着今年的野火季节逐渐结束，我们有了一个独特的机会来利用这段时间做一些关键的工作，推进我们的野火预测模型，为下一个野火季节的到来做好准备。

• 重新架构FireCasterAI平台中的机器学习（ML）模型，该平台用于野火风险预测，从而显著改善模型预测。深度学习管道现在更好地贴合了训练数据的结构和关联，几乎完全避免了数据过拟合的问题。
• 重新调整我们的合成数据生成算法，以丰富现有的稀疏且分布不均的历史火灾数据。
• 使用额外的训练和验证数据（截至2023年）重新训练模型：之前的模型版本使用了从1992年至2020年西部美国的野火历史数据进行训练，现在我们增加了三个最近年份的数据，以捕捉更近期的野火监测、蔓延和控制趋势。
• 在2024年1月至8月期间，对美国西部11个州记录的所有野火进行更新模型测试：这是一个严格验证的数据集，模型从未接触过。测试结果不仅告诉我们关于模型本身的情况，还提供了关于如何更好地应对野火的非常有用的见解。

我们在这里分享这些结果，原因是我们认为必须使机器学习模型的性能表现完全透明化，尤其是在这些模型服务于社会公共利益时。

2024年1月至8月，美国西部11州记录了总计22045起野火。其中，97.2%（即21436起）面积在300英亩以下。仅有2.8%（即609起）的野火面积超过300英亩。更少的是，1.7%（即364起）的野火面积超过1000英亩。

在一个特定地点和给定的起始日期上预测可能发生的野火最终规模是很重要的。如果在发现点火事件时就能预测到火势可能变得很大，那么就可以尽早分配更多资源，防止火势蔓延。在高风险地点，可以在实际火灾发生前采取更多预防措施，比如减少可燃物。

如果我们也清楚某个地点野火的常见起因，比如，如果人为引起的火灾比自然雷击引发的可能性大得多，那么我们可以采取其他预防措施来减少风险，比如在较小的地理区域内，定期向公众提供火灾风险信息及其他安全提示。

鉴于大型火灾数量极其稀少，利用机器学习模型预测大火规模就像在巨大的草垛中寻找几根针。影响火灾规模的因素众多。其中一些因素——比如地形、地面可燃物、树冠结构、火灾地点与城市或乡村的距离以及日常天气条件——已被我们熟知且相对稳定。而其他因素——比如特定时间和地点的可供该火灾使用的消防资源以及每小时的风向和降水量变化——则高度多变，且模型无法掌握。

这最好通过2018年和2023年在毛伊岛发生的最近的两起野火来说明。这两起火灾都是由故障的电力传输线路引发的。尽管两年间的环境条件几乎一致，但结果却截然不同。2023年的火灾成为了美国近一个世纪以来最致命的火灾，部分原因是降雨量略少（比2018年少了1.5厘米）。两场火灾均因飓风带来的强风而加剧，但2023年的风更强。这并不是机器学习模型能够轻易发现的差异。

仅基于观测数据训练的机器学习模型，并不了解小尺度火灾扩散的物理原理，也不太会受天气或燃料细微变化的影响。然而，这些模型表现不错，至少足够实用，成为管理大型野火的重要工具。并且，这些模型的推理速度比最高效的火灾扩散模拟快很多倍，因此更便于各种利益相关者使用。

为了进一步说明这些机器学习模型追求的目标，下面的图表展示了各州和各月份的野火规模分布情况。此练习的数据来源是截至日期的野外火灾地点数据，这些数据来自国家机构间消防中心，该数据涵盖了2024年所有记录和监控的火灾情况。数据集包括两个对预测火灾特征至关重要的项目：火灾首次被发现的日期和火灾的着火点（经纬度）。数据集提供了火灾增长到一定规模或被扑灭后的火灾规模（以英亩为单位），这使得模型的预测可以与实际的火灾规模等级进行比较。数据集还记录了火灾的原因：人为或自然。

很明显，野火的数量在夏季达到顶峰，这时燃料和天气条件都易于引发火灾。7月是最糟糕的月份，无论是小规模还是大规模的火灾都最严重。在小规模火灾方面，人口众多的加利福尼亚州领先，而在大规模火灾方面，人口较少但可燃物更丰富的西北部州如俄勒冈州和爱达荷州则领先。

将近82%的美国西部所有野火是由人为引起的，但烧毁的英亩在自然引起的和人为引起的野火中更均匀地分布。野火的原因和规模之间存在很强的关联性。

人为引发的火灾通常发生在城市或农场附近，因露营、娱乐、使用机械或焚烧废物等人类活动导致。由于更易获得灭火资源，并且这些火灾对邻近的财产和人类安全构成威胁，因此通常（但并非总是）能够迅速扑灭。因此，这类火灾通常（但并非总是）规模较小。

自然火灾基本上是由雷电引起的，往往发生在植被茂密、海拔较高且偏远的地区，在这些地方，自然火灾蔓延的范围通常比人为火灾要大得多，直到被控制之前传播得更广。将资源运送至这些偏远地区需要时间，而且这些火灾有时并不如靠近人类居住区的火灾紧急。

所有的火灾都在夏季达到高峰，因为那时有大量干燥的燃料。因为闪电通常遵循季节性模式，主要活跃在夏季，因此，闪电引发的火灾在其他月份并不是一个重要因素。人为引发的火灾全年大部分时间都是一个问题。

这些模型会根据野火的起火点及其周边10公里区域内的地形和植被特征，包括城市和农村区域的邻近程度，以及火灾发生时当地的天气情况，来预测野火规模。模型还会考虑起火地点及其周围10公里内的所有特征，包括天气信息。这是FireCasterAI的机器学习模型首先执行的任务。

总体而言，模型正确预测了2024年所有面积不超过300英亩的野火最终大小的74%。更重要的是，基于起火地点和火灾开始日期，模型正确预测了63%到75%的较大火灾（面积超过300英亩甚至1000英亩的火灾）的最终大小。

如下的图表所示，预测准确性的大小在地理上和一年中的不同时间段都有所变化。其中一些地理上的差异可能只是由于某些地区训练数据较少所致。在夏季，对较大火灾（> 300英亩和> 1000英亩）的预测准确性显著提高，这是因为这一点在关键时刻尤为关键。

6月到8月期间，预测超过大约1000亩的火灾的准确率在67%到75%之间。由于夏季是野火的主要季节，大部分训练数据来自夏季，这可能是准确率高的一个重要原因。

下面的地图以视觉化展示的方式，展示了模型预测的准确性。这些预测包括最终被控制在300亩以内的野火，以及超过300亩的野火。在预测小火方面，模型在美国西部大部分地区（除了东部部分地区，如怀俄明州、科罗拉多州和蒙大拿州）表现准确。对于超过300亩及以上和1000亩及以上的火灾预测，模型在所有州的表现都非常一致。

下面这些地图可以通过我们网站上的地图查看器在FireCasterAI网站实时地查看。

换个角度来看火灾面积的预测，下面的地图将所有火灾的实际大小与预测大小进行了比较。模型在西部地区，那里更容易发生野火，表现相当不错，而在东部地区，模型往往预测的火灾面积比实际要大。这可能是由于东部地区的训练数据较少。

这些模型在预测野火的原因方面表现更好，正确预测了2024年野火原因的比例超过87%，准确率达到了87%以上。下图显示，这种准确率在各州都相当稳定，与其他因素（如规模预测）相比，波动较小。这可能是因为原因预测相对简单，涉及的变量较少。

从按月份来看预测，主要的变化在于自然引起的火灾，随着夏季的来临，这些火灾的预测准确性有所提升。由于绝大多数雷击引发的火灾发生在夏季，模型从这些月份的大量数据中学习了很多，但这也导致了其他月份预测的准确性下降。这并不是一个大问题，因为在其他月份，人为因素是火灾的主要原因。

下面的地图将实际原因与预测原因进行了视觉上的对比。正如我们预期的，这些模式非常接近，准确率超过了87%。

• 在2024年1月至8月期间，美国西部11个州共记录了22045起野火。其中，有21436起（97.2%）野火面积小于300英亩，仅609起野火（占2.8%）超过了300英亩，而仅有364起野火（占1.7%）超过了1000英亩。预测这些大型野火的特征是一项具有挑战性的建模问题。
• 总体而言，FireCasterAI中的机器学习模型在所有2024年面积不超过300英亩的野火中，准确预测了74%的野火最终规模。更重要的是，当提供起火地点和日期时，对于超过300英亩以及1000英亩的较大野火，模型能够准确预测出63%到65%的较大火灾。
• 在夏季，预测大型野火的准确性显著提高，因为大部分大型野火都发生在夏季，此时预测的价值最高。6月至8月，模型能够正确预测出67%到75%的超过1000英亩的野火。
• 在预测野火原因方面，模型表现更佳，能够准确预测2024年野火的原因（人为或自然原因）超过87%。在夏季，当雷击可能性更高时，预测自然原因引发的火灾的准确性超过80%。
• 预测野火的规模有助于在火灾报告后更有效地分配资源以限制潜在的大型野火。规模预测也是一种工具，用以通过减少燃料等措施来预防特定地点的火灾风险。
• 相反，规模预测可以节省时间和资源，将低风险地点的预防行动优先级降低，节省时间和资源。
• 预测野火的原因可以推动预防措施来减少风险，例如向特定地区和时间段的公众提供火灾风险信息和其他安全指导，以防止人为引发的火灾。