在气候变化导致全球山火灾害不断扩大、难以控制之际,韩国研究团队开发出利用人工智能(AI)提前一个月精准预测山火发生风险的技术。预计该技术不仅能克服现有预报系统的局限、争取灾难应对的“黄金时间”,还将有助于减少灾难预测基础设施不足的贫困国家的损失。
蔚山科学技术院(UNIST)地球环境城市建设工学系林正浩教授团队25日表示,已开发出以日为单位、最多提前31天预测全球火险气象指数(FWI)的全球深度学习模型“FWI-Net”。
火险气象指数(FWI)是综合气温、相对湿度、风、降水量等表示山火扩散风险度的指标。若能准确预测该指数,就可提前部署消防力量、发布居民疏散令等,实现前瞻性灾难应对。但此前广泛使用的欧洲中期天气预报中心(ECMWF)基于数值预报的方式存在局限:约两周后各地区预测精度急剧下降。
研究团队此次开发的“FWI-Net”用AI突破了这一传统方式的缺点。验证结果显示,FWI-Net在31天全预测期内的均方根误差(RMSE)比传统数值预报方式降低6.6%,在首周更成功将误差大幅降低至12.4%。
尤其在山火风险为“非常高”的极端情况下,可作出有效预测的期间比此前延长了5天。将该模型应用于近期造成大规模损失的2023年加拿大、智利山火以及2025年洛杉矶山火案例后发现,即使在原有模型低估山火风险强度的情况下,FWI-Net仍准确捕捉到接近实际的高风险信号。
这种划时代的性能提升,得益于AI同时学习“过去累积的天气”与“未来的气象条件”。即便气温或降水量等未来条件相同,山火风险度也会因前期干旱和干燥状态累积程度不同而变化,AI自行掌握了这一规律。研究团队先用复原过去天气的庞大“ERA5”再分析资料对AI进行预训练,再用实际预报所使用的“SEAS5”资料进行微调(Fine-tuning),弥补了数据不足的预报环境的缺点。
更重要的是,此次技术作为可缓解全球灾难不平等的“温暖技术”受到关注。在山火风险暴露度和社会经济脆弱性较高地区的85%,预测偏差得以减少。即便在预报基础设施严重不足的非洲贫困地区,也能在平均22天内保持有效预测性能,证明可缩小发达国家与脆弱国家之间的“灾难信息差距”。
林正浩教授强调:“在气候变化导致全球山火灾害急剧增加的情况下,精准预测技术是与国家实际灾难应对能力直接相关的核心信息基础设施”,“此次开发的技术可积极用于制定中期山火应对计划,并填补自身预报基础薄弱的脆弱地区的信息空白”。
此次研究由国民大学姜有珍教授与UNIST研究员李诗贤作为第一作者参与,获得韩国环境部、韩国山林厅、韩国研究财团的支持。研究成果已于上月28日在国际知名学术期刊《Communications Earth & Environment》上在线公开。






