Modularni AI za požare razdvaja vetar, teren i istorijske primere da bi prognoza bila proverljivija

Prognoza nije dovoljna ako se ne vidi zašto model greši

Prognoziranje širenja požara narednog dana oslanja se na prostorne obrasce iz satelitskih i drugih podataka, ali visoka tačnost sama po sebi ne pokazuje da li model koristi fizički smislen signal. Nova studija zato pokušava da učini pojedine delove dubokog modela vidljivijim i proverljivijim, umesto da ocenjuje samo konačnu mapu rizika.

Autori uvode tri modularna dodatka: pažnju uslovljenu vetrom i nagibom terena, retrieval korekciju zasnovanu na fizičkim karakteristikama sličnih istorijskih slučajeva i dual-stream gating koji je uslovljen prisustvom vatre. Ideja je da se različiti izvori informacija razdvoje dovoljno jasno da se njihov efekat može posebno testirati.

Pet različitih backbone arhitektura

Moduli su ispitani na pet backbone modela na Next Day Wildfire Spread benchmarku. Evaluacija obuhvata postupne ablation testove, proveru pravca pažnje, perturbacije retrieval sistema, kalibraciju i računarske troškove, što daje detaljniju sliku od običnog poređenja jednog F1 rezultata.

Posebno zanimljiv deo je provera pažnje uslovljene vetrom. Konstruisani bias prati ulazni pravac vetra, ali je njegova povezanost sa stvarnim pomeranjem vatre narednog dana mnogo slabija. To razdvaja dve stvari koje se često mešaju: činjenicu da je prior modela razumljiv i činjenicu da je taj prior zaista prediktivno veran.

Istorijski primeri ulaze kroz odvojeni korektivni modul

Retrieval modul bira istorijske pločice koristeći devetodimenzionalni opis okruženja i stanja požara, a zatim kroz naučenu korekciju menja logite zamrznutog osnovnog modela. Time se može posebno meriti da li vraćanje sličnih prošlih situacija stvarno doprinosi novoj prognozi ili samo dodaje složenost.

Rezultati nisu jednaki za sve arhitekture. Poboljšanja u AUC-PR dobijena retrieval pristupom ne vode dosledno i do većeg F1 rezultata, što upozorava da jedna metrika može da izgleda bolje bez proporcionalnog poboljšanja odluka na pragu koji se koristi za mapu požara.

Mešoviti ensemble daje najbolji prijavljeni par rezultata

SwinUNETR sa sva tri dodatka postiže prosečan F1 od 0,4216 i AUC-PR od 0,3673 kroz tri seed-a. Mešoviti ensemble koji kombinuje dve augmentovane i jednu neaugmentovanu arhitekturu dostiže 0,4292 F1 i 0,3790 AUC-PR, što pokazuje korist od kombinovanja različitih modelskih pretpostavki.

Glavni doprinos rada zato nije samo nekoliko decimalnih mesta u benchmarku, već okvir u kome se pojedini domain-informed delovi mogu uključiti, isključiti i posebno proveriti. Takva modularnost može biti korisna u oblasti u kojoj je operativno važno razumeti da li model reaguje na vetar, teren i istorijske analogije na način koji ima fizičkog smisla.

Benchmark rezultat nije isto što i operativna prognoza

Next Day Wildfire Spread benchmark omogućava kontrolisano poređenje modela, ali rezultat na tom skupu ne garantuje isti kvalitet u svakoj stvarnoj požarnoj situaciji. Lokalni teren, kvalitet ulaznih podataka, neobični meteorološki uslovi i promene u dostupnosti istorijskih primera mogu da pomere distribuciju dalje od onoga što je viđeno tokom testiranja.

Zato je korisno što rad odvojeno meri fizičku interpretabilnost i prediktivnu korist. Vetrovni bias može da bude pravilno usmeren prema ulazu, a da i dalje slabo prati stvarno pomeranje vatre. Taj raskorak je važan jer sprečava da vizuelno ili fizički intuitivan modul automatski proglasimo boljim samo zato što izgleda razumljivo.

Mešoviti ensemble pokazuje da i neaugmentovani model može da doprinese konačnoj kombinaciji. To sugeriše da različite induktivne pretpostavke hvataju različite delove problema, pa je korist od modularnog pristupa možda upravo u mogućnosti da se te komponente porede i kombinuju, umesto da se čitav sistem zaključa u jednu unapred izabranu fizičku priču.