随着美国及全球野火发生频率与破坏性上升，布法罗大学研究人员对基于人工智能的深度学习模型在野火蔓延预测中的能力进行了迄今较为系统的评估。研究结论显示，深度学习方法可作为传统基于物理的火灾建模工具的补充，但目前仍不足以完全替代后者。

研究团队利用夏威夷2012年1月至2023年8月期间的野火记录，筛选出221起持续至少四天的火灾事件，用于训练与测试五种常用开源深度学习模型，包括LSTM、U-Net、带注意力机制的U-Net、ConvLSTM以及带注意力机制的ConvLSTM。模型训练输入涵盖已知会影响火势蔓延的气象与环境变量，变量被归为气象、地形、植被和人为活动四类。研究人员同时采用可解释人工智能方法“集成梯度”，用于识别对模型预测影响最大的变量。

在上述模型中，ConvLSTM与带注意力机制的ConvLSTM整体表现相对突出：前者精确率最高，后者召回率更高，意味着更不容易漏判真实的火势扩展。其余模型则更倾向于过度预测火势蔓延，表现为召回率较高但精确率偏低。

在完成模型筛选后，研究团队进一步将两种表现最佳的深度学习模型与传统火灾蔓延模型FARSITE进行对比。FARSITE自1990年代中期以来被野火机构与消防人员广泛使用。对比以2023年摧毁毛伊岛的四场重大野火为案例展开。

结果显示，FARSITE的精确率更高、召回率更低，且F1分数高于人工智能模型。研究指出，F1分数综合考虑精确率与召回率，较高的F1分数意味着在识别火势蔓延区域时，既能保持较高准确性，也能减少错误扩展预测。

研究同时强调，深度学习模型在输入数据处理上展现出更强的灵活性。布法罗大学文理学院地理学副教授胡英杰表示，人工智能模型可更容易吸收某一地区的新数据，包括更新更及时的卫星影像以及新发射卫星任务的数据集；相比之下，FARSITE依赖更结构化的输入，例如详细燃料数据等，而相关数据制作耗时且往往存在明显滞后。

胡英杰同时为布法罗大学计算机科学与工程兼职教授，是论文《集成气象与环境变量的深度学习模型用于野火蔓延预测及2023年毛伊火灾案例研究》的合著者。论文发表于《自然灾害》期刊。共同作者还包括布法罗大学土木、结构与环境工程副教授Negar Elhami-Khorasani，胡英杰GeoAI实验室博士后Kai Sun，以及博士生Jiyeon Kim和Ryan Zhenqi Zhou。

在毛伊岛案例中，研究团队称模型识别出温度、湿度、降水、风力和植被等因素对火势蔓延影响较大。

对于人工智能模型的局限，研究指出其一大挑战在于跨区域泛化能力，即在地形、植被与气候差异显著的地区保持稳定表现。为应对这一问题，团队表示正探索整合地球基础模型以提升预测在多样地貌上的适用性，并计划引入更高分辨率的环境数据，以获得更细致的地表与大气测量，从而更清晰捕捉现场条件。

研究团队称，该研究仍属探索性工作，正寻求额外资金以扩大项目规模。胡英杰表示，希望相关结果能帮助理解不同火灾蔓延模型的工作机制，并为未来野火研究与管理提供参考。他同时指出，结合基于物理的火灾科学与人工智能适应性的混合建模方法具有潜力，可在野火条件快速变化时，为未来12至24小时火势可能蔓延区域的预测提供支持信息。