风险不是目标：评估野火操作风险信号的单调框架

arXiv:2607.21597v1 公告类型：新 摘要：使用 F1 分数或 IoU 等标准机器学习指标评估野火风险系统存在根本缺陷：这些指标评估事件预测的准确性，而不是连续风险信号的操作一致性。这项工作提出了一种新颖的单调评估框架，用于衡量预测风险评分的增加是否始终对应于观察到的操作负载的增加，例如火灾数量、干预时间和部署的资源。此外，我们还比较了法国滨海阿尔卑斯省的三种结构不同的方法：基于专家的 DFE 指数、基于 GRU 的预测模型和 FARS（一种将预测人工智能与基于 LLM 的推理相结合的混合多智能体系统）。实验结果表明，尽管分类指标较差，但 DFE 在整个风险范围内表现出最平衡的单调行为。 GRU 模型实现了很强的局部单调性，但无法产生均匀分布的风险水平。 FARS 继承并揭示了上行信号的结构限制，而不是对其进行纠正。核心发现是范式转变：良好的风险模型并不能准确预测火灾，但其序数规模可以有意义地解释操作动态，正如本文所证明的那样。单调框架的代码可以在 github 上找到。