野火蔓延预测对于风险感知的应急规划至关重要，但大多数深度学习模型缺乏系统性的不确定性量化（UQ）。特别是在边界敏感的场景中，仅依赖全局指标评估模型往往难以反映实际情况。为了将UQ评估转向更具操作相关性的方向，Jonas V. Funk等人提出了火中心评估区域（Fire-Centered Evaluation Region, FCER）框架。该框架是一种空间条件化协议，旨在描述关键火区内的不确定性。
研究团队使用FCER框架，在WildfireSpreadTS数据集上对集成模型（Ensemble）和蒸馏单次学生模型（distilled single-pass student model）进行了比较。实验结果表明，学生模型在边界相关区域展现出与集成模型相当的校准能力，并提供了互补的不确定性排名。这意味着单次模型能够在保持计算效率的同时，在关键区域提供可靠的不确定性信息。
此外，作者公开了相关代码（https://github.com/jonasvilhofunk/WildfireUQ-FCER），以便其他研究者复现结果并在此基础上进一步探索。该研究通过聚焦边界感知的不确定性量化评估，为野火蔓延预测的实际应用提供了更有效的工具，有望提升应急决策的可靠性。论文共10页，包含7张图表，详细阐述了框架的设计和实验结果。