WFNet：用于野火蔓延预测的分层卷积神经网络

基于摘要分析。研究针对野火蔓延建模中的连续时间预测与多模态环境编码问题，提出分层卷积神经网络 WFNet。其核心贡献是定义蔓延时空分布场（spread spatiotemporal distribution field，SSDF）描述野火演化过程，以支持全局优化与端到端预测，并通过分层 State-Condition 机制逐步编码多模态要素的高阶特征。 机制上，SSDF 将蔓延过程表述为时空分布，而 State-Condition 机制用于组织状态与条件相关的特征编码。摘要未给出该分布场的数学定义、连续时间的具体表示方式、网络结构、损失函数或多模态输入构成，因此尚不能判断它与其他时空预测方法的实质差异。尽管来源栏目标为 State space models，材料明确描述的是分层 CNN，不能据此认定 WFNet 采用状态空间模型。 作者报告，WFNet 在计算时间和模型准确性方面相对现有模型具有竞争力，并在输入火情状态对应时刻不确定时表现出较好的鲁棒性，可支持从火场边界反推起火位置。摘要未提供数据集、训练与测试划分、对照模型、指标定义、具体数值及时间不确定性的评估范围，实验协议、消融及统计信息尚未验证。 该研究的主要对象是野火蔓延，不是 EEG 解码或 BCI。现有材料不足以建立其空间传播表示与神经信号任务之间的具体对应关系，因此不据此推断 BCI 效果或提出迁移复现实验。复现原任务仍需核对 SSDF 定义、环境条件输入、训练目标、预测与反推流程，以及实现和数据的可获得性。