野火蔓延預測對於風險感知的應急規劃至關重要，但大多數深度學習模型缺乏系統性的不確定性量化（UQ）。特別是在邊界敏感的場景中，僅依賴全域性指標評估模型往往難以反映實際情況。為了將UQ評估轉向更具操作相關性的方向，Jonas V. Funk等人提出了火中心評估區域（Fire-Centered Evaluation Region, FCER）框架。該框架是一種空間條件化協議，旨在描述關鍵火區內的不確定性。
研究團隊使用FCER框架，在WildfireSpreadTS資料集上對整合模型（Ensemble）和蒸餾單次學生模型（distilled single-pass student model）進行了比較。實驗結果表明，學生模型在邊界相關區域展現出與整合模型相當的校準能力，並提供了互補的不確定性排名。這意味著單次模型能夠在保持計算效率的同時，在關鍵區域提供可靠的不確定性資訊。
此外，作者公開了相關程式碼（https://github.com/jonasvilhofunk/WildfireUQ-FCER），以便其他研究者復現結果並在此基礎上進一步探索。該研究透過聚焦邊界感知的不確定性量化評估，為野火蔓延預測的實際應用提供了更有效的工具，有望提升應急決策的可靠性。論文共10頁，包含7張圖表，詳細闡述了框架的設計和實驗結果。