野火蔓延预测：融合多模态地理空间与气象数据的深度学习系统

本项目旨在构建融合多模态地理空间与气象数据的深度学习系统，实现次日野火扩散掩膜的64×64像素级预测。系统整合气象、植被、地形、人口等多维数据，提供物理增强UNet、ResNet-18 UNet及逻辑回归基线三种模型选择，并支持EMA、Polyak平均等优化策略，为应急管理、风险评估等场景提供决策支撑。

野火是全球破坏性自然灾害之一，气候变化加剧其频率与强度。准确预测短期蔓延趋势对决策至关重要，但野火行为受气象、植被、地形等多因素非线性交互影响，传统物理模型计算成本高且难以处理复杂关系。深度学习通过数据驱动学习模式，为解决这一挑战提供新思路。

多模态数据融合

系统整合气象（温湿度、风速）、植被指数（NDVI）、燃料干旱指标（ERC/PDSI）、地形（坡度/坡向）、人为屏障（土地利用、人口密度）及历史火情数据，设计9通道标准化输入（前日火场掩膜、风速分量、温湿度、NDVI、坡度、坡向、屏障信息）。

模型架构

1. 逻辑回归基线：像素级回归提供性能参照，支持完整训练流程与参数配置。
2. 物理增强UNet：核心模型，引入PhysicsPrior模块编码野火传播物理机制（风向对齐核、坡度驱动、植被湿度阻尼、屏障抑制），采用SiLU激活、批归一化等设计。
3. ResNet-18 UNet：基于预训练ResNet编码器的变体，增强特征提取能力。

训练优化

采用混合精度训练、余弦学习率调度、Focal Loss与Focal Tversky Loss复合损失，支持EMA（指数移动平均）与Polyak平均两种权重优化策略。

评估与可视化

核心指标包括平均精度（AP）、F1分数、交并比（IoU）等；提供PR曲线、混淆矩阵、训练历史曲线等诊断工具；推理阶段采用测试时增强（TTA）提升鲁棒性。

实际应用

• 应急管理：优化消防资源配置、规划疏散路线。
• 保险评估：动态风险定价、高风险资产识别。
• 科研政策：分析气候变化影响、评估土地管理策略。

技术亮点

1. 物理-数据融合：将野火传播领域知识嵌入神经网络，兼顾灵活性与泛化能力。
2. 模块化设计：组件解耦，便于扩展数据源与模型架构。
3. 可复现性：通过配置文件、固定种子确保实验结果可复现。

局限性与未来方向

• 局限：64×64分辨率可能不足，时间粒度仅次日，数据覆盖有限。
• 未来：探索更高分辨率、多模型集成、实时数据融合、因果推断与不确定性量化。

本项目展示了机器学习应对重大社会挑战的潜力，通过多模态融合与物理先验提升预测准确性。项目完全开源，分享代码、文档与最佳实践，旨在促进社区协作，加速技术进步，为保护生命财产与生态安全贡献力量。欢迎地理空间AI、灾害预测领域研究者与实践者关注参与。