Neural-Parameterized Cellular Automata for Wildfire Spread

本文介绍了一种混合深度学习框架，该框架利用多尺度卷积神经网络在 JAX 中对概率元胞自动机模型进行动态参数化，通过捕捉复杂的环境相互作用并保持物理可解释性，显著提高了对美国大规模火灾蔓延预测的准确性。

要点

想象一下，试图预测一场野火如何在景观中蔓延。传统上，科学家们使用僵化的、基于规则的地图，这些地图会说：“因为这里有树木，所以火灾只能在这里燃烧”，以及“因为那里只是草地或泥土，所以火灾不能在那里燃烧”。正如这篇论文所指出的，问题在于自然界并不遵循这些严格的规则。由于飞行的余烬、剧烈的热量或风力，真实的火灾经常会跳过像草地甚至水体这样的“不可燃”区域，导致旧地图所预示的燃烧区域与实际燃烧区域之间存在巨大的缺口。

作者们是来自富士通研究中心（Fujigu Research）的一个团队，他们构建了一种新型野火模拟器，通过将传统的物理学与现代人工智能相结合来解决这个问题。以下是他们的系统是如何运作的，通过简单的解释说明：

1. 旧方法 vs. 新方法

把旧模型想象成一个僵硬的、预先写好的剧本。它们拥有一套固定的规则（例如“火在坡度上的蔓延速度快10%”），这些规则在任何地方都适用，而不考虑当时具体的风力或地形。如果地图显示某个区域没有树木，剧本就会让火势戛然而止，即使火灾实际上已经跳跃到了那里。

新模型则像是一个聪明的、即兴发挥的导演。它仍然使用一套基本的物理规则（即“剧本”），但它有一个“智能助手”（神经网络）在观察景观并实时重写规则。它不再仅仅说“火在某处蔓延快10%”，而是说：“在这片特定的草地上，配合这种特定的风力，火灾应该蔓延快40%。”

2. 系统的“大脑”（神经网络）

其核心发明是一个多尺度卷积神经网络（MS-CNN）。你可以把它想象成一副带有三种镜片的眼镜：

• 镜片 1： 观察大局（7x7 网格），以了解整体地形和天气。
• 镜片 2： 观察中景（5x5 网格）。
• 镜片 3： 观察细节（3x3 网格）。

通过同时利用这些不同的“镜片”观察景观，AI 能够学习为地图上的每一寸土地生成一套独特的指令。它创建了一个动态的“燃料因子”，告诉火灾引擎：“尽管在地图上这看起来是非燃性的草地，但这里的热量和风力使其表现得如同燃料一般。”这使得模型能够预测火灾蔓延到传统地图声称安全的区域。

3. “引擎”（元胞自动机）

实际的火灾蔓延发生在由单元格组成的网格中（就像一个巨大的棋盘），作者称之为元胞自动机（CA）。

• 状态： 棋盘上的每个方格要么是未燃烧，要么是燃烧中，或者是已燃烧。
• 物理机制： 火灾根据概率从一个燃烧方格移动到其邻居方格。如果风向朝着某个邻居吹，它着火的可能性就会增加。如果邻居位于陡峭的山坡上，可能性也会增加。
• 创新之处： 在过去，这些概率是静态的数字。在这个新系统中，“大脑”（AI）会根据局部环境不断更新这些概率。

4. 从错误中学习（训练）

该系统不仅仅是在猜测，它在学习。研究人员向它输入了来自美国西部六场大规模野火的数据（主要是在加利福尼亚州，外加一场在俄勒冈州）。

• 过程： 他们让模型观察火灾的前 10 天。在此期间，AI 会调整其内部的“旋钮”，以尽可能贴合真实火灾的路径。
• 预测： 10 天后，他们冻结了 AI 的设置，并要求它预测接下来的 10 天。
• 结果： 该模型成功预测了火灾路径，具有很高的准确性（与真实火灾的重叠度超过 60%），即使是在传统地图认为安全的区域，它也能准确预测火灾的蔓延。

5. 为什么它很重要（“燃料因子”）

最显著的突破在于模型如何处理“林冠燃料掩盖”（Canopy Fuel Mask）。传统模型查看卫星数据并得出结论：“这里没有树，所以没有火。”

• 现实情况： 在 2020 年的“布拉特恩火灾”（Brattain Fire）中，65% 的火灾燃烧在地图显示没有树木的区域。
• 解决方案： 新模型学习了一种并非仅关于树木的“燃料因子”。它学到了风、热量和地面覆盖物可以使任何东西燃烧。它有效地学会了在物理状况需要时，忽略地图上的“禁止燃烧”标志。

6. 它的短板

论文诚实地指出了系统的失败之处：

• 新点火： 如果火灾突然在远离主火源的完全不同的地方开始（“二次点火”），模型会漏掉它。该模型只知道如何从现有火源扩散，而不知道如何凭空创造新的火源。
• 不同的灭火风格： 该模型是在消防员积极尝试扑灭火灾的火灾数据上进行训练的。当测试在荒野地区进行的、消防员使用“任其燃烧”或被动策略的火灾时，模型预测的火灾蔓延速度比实际速度更快。它从训练数据中学习了“积极抑制”的模式，无法适应“被动”的方法。

总结

这篇论文展示了一个结合了基于物理规则的可靠性与深度学习的适应性的混合工具。它就像一个聪明的导演，根据局部地形和天气每秒钟都在重写火灾蔓延的规则，使其能够比以往更准确地预测野火，尤其是在传统地图失效的棘手区域。它是使用 JAX 构建的，这是一个能让这些复杂计算在现代计算机硬件上运行得非常快速的软件框架。

技术摘要

技术摘要：用于野火蔓延的神经参数化元胞自动机

问题陈述
传统的野火预测模型（如 Rothermel 方程和 FARSITE 等业务模拟器）依赖于僵化的、低维度的参数以及静态燃料图。这些方法经常低估火灾蔓延，特别是在复杂的拓扑结构中，或当火灾通过被分类为缺乏可燃植被（例如在已绘制的林冠覆盖范围之外的草地或灌木丛）的区域传播时。此外，现有的半经验模型是不可微的，这使得根据观测到的火场周界进行校准的过程依赖于手动调优或计算昂贵的外循环数据同化。相反，纯数据驱动的深度学习方法往往放弃了元胞自动机（CA）显式的状态转移结构，为了表征灵活性而牺牲了物理可解释性。一个共同的系统性局限在于，两者都依赖静态植被指标（如林冠覆盖度和容重）来定义可燃边界，而观测证据表明，这会导致对火灾范围的显著低估。

方法论
作者提出了一种基于 JAX 实现的混合深度学习参数化概率元胞自动机（CA）框架，旨在解决上述局限性。该模型将物理引擎与神经参数生成器集成在一起，创建了一个端到端的可微流水线。

• 架构： 核心是一个由局部转移规则控制的三状态概率元胞自动机（未燃烧、燃烧中、已燃烧）。与以往使用全局标量参数的可微 CA 工作不同，该模型采用多尺度卷积神经网络（MS-CNN）来动态生成稠密的、空间变化的参数场。
• 神经参数生成： MS-CNN 处理包含 13 个通道的输入张量，其中包括静态 LANDFIRE 数据（高程、坡度、坡向、林冠指标、燃料模型）、动态风力数据（ERA5）以及一个可学习的燃料嵌入。该网络输出六个空间变化的场：基础蔓延概率（$p_{base}$）、风速缩放因子（$\alpha_{w1}$）、风向对齐因子（$\alpha_{w2}$）、坡度影响因子（$\alpha_s$）、点火率（$\gamma$）以及统一的燃料因子（$fuel\_factor$）。
• 可学习燃料嵌入： 一项关键创新是用可学习的连续燃料嵌入矩阵取代了硬编码的林冠可燃性掩模。这使得模型能够推断传统上被归类为不可燃区域的传播潜力，从而有效地捕捉标准燃料图所遗漏的亚网格过程，如飞火（ember spotting）和热预热。
• 物理引擎： CA 引擎根据风力和坡度修正系数计算方向性传播潜力（$\phi$），聚合累积热暴露量（$\lambda$），并使用基于泊松聚合的点火概率更新元胞状态。系统以 24 小时为一个宏观步长，每个步长包含 50 个微观步长，以实现更精细的时间分辨率。
• 训练目标： 模型使用由五个项组成的复合损失函数进行训练：前沿加权二元交叉熵（强调周界准确性）、均方误差（MSE）、面积约束（确保总过火面积守恒）、软交并比（Soft IoU，用于几何形状保真度）以及池化均方误差（Pooled MSE，用于粗粒度空间匹配）。

主要贡献

1. 空间变化参数： 用由 MS-CNN 生成的稠密且空间变化的场取代了全局标量参数，从而能够捕捉异质的环境相互作用。
2. 可学习燃料嵌入： 引入了可学习的 $fuel\_factor$，它取代了静态的林冠衍生可燃性掩模，从而能够在缺乏映射林冠燃料的区域实现准确的火灾传播预测。
3. 联合多事件学习： 不同于需要独立进行单事件校准的先前工作，该模型在六个不同的野火事件中联合学习一组网络权重和嵌入参数，展示了具有泛化能力的环境表征。
4. 可微框架： JAX 的实现实现了硬件加速和基于梯度的参数校准，促进了高效的数据同化。

结果
该模型在西美国五个加利福尼亚州和一例俄勒冈州的规模化野火上进行了评估。评估协议包含一个 10 天的数据同化窗口，在此期间模型拟合观测到的周界，随后进行参数冻结的 72 小时（以及长达 20 天）的前向预测。

• 性能： 在校准期后，模型在 72 小时预测时界内保持了大于 0.6 的交并比（IoU）。
• 比较优势： 该模型优于 Xia 和 Cheng (2025) 的可微 CA 基准模型，后者在特定事件上报告的峰值 IoU 分别为 0.408 和 0.525，而所提模型在相同事件中能持续 20 天的完整时界内维持 IoU > 0.6。
• 特定事件分析：
  • Bear 2020 与 Chimney 2016： 实现了较高的 IoU（分别为 0.74 和 0.66），其中 Chimney 展示了模型在已绘制燃料边界之外区域预测蔓延的能力（41.3% 的火灾发生在植被之外）。
  • Brattain 2020： 成功预测了俄勒冈州一个鼠李灌木-杜松生态系统中的蔓延，其中 65.3% 的火灾足迹发生在映射的林冠植被之外。
  • Ferguson 2018： 由于存在一个未被传染性 CA 模型化的次生独立点火，初始性能较低（IoU ~0.15），但一旦两个火线合并，IoU 恢复至 > 0.6。
  • Buck 2017： 由于抑制机制不匹配表现出较低的准确性（IoU 0.61）；该火灾在荒野地区采用了被动遏制策略，这与从其他训练事件中隐式学习到的主动抑制模式有所偏离。

意义与主张
本文声称这种混合架构成功地弥合了物理可解释性与数据驱动灵活性之间的鸿沟。通过保留三状态概率 CA 基底，模型在利用神经网络推断复杂的非线性环境相互作用的同时，保留了质量守恒和点火动力学。作者断言，该系统解决了静态燃料掩模的系统性失效问题，使得在标准指标认为不可燃的区域预测火灾增长成为可能。

作者明确指出了局限性：该模型并未显式模拟超越 Moore 邻域的飞火现象、自发性的二次点火或主动抑制措施；因此，学习到的 $fuel\_factor$ 是一个有效量，它将真实的燃料传播与这些未建模过程的印记混淆在一起。评估在地理上集中在加利福尼亚州及其邻近的俄勒冈州，虽然该方法在地理上是不可知论的，但其在向北方针叶林或热带生物群落的跨区域迁移能力尚未经过测试。论文将这项工作定位为迈向业务化灾害管理系统的步骤，但并未在缺乏进一步跨区域验证的情况下声称具有普遍适用性。