野火蔓延预测任务：如何选择合适的损失函数与评估函数

损失函数选择 #

首先要明确：标签中的-1（不确定区域）需要完全排除在损失计算之外，所有损失都只针对0（无火灾）和1（有火灾）两类像素计算。结合野火数据类别极度不平衡（无火灾区域远多于火灾区域）的特点，推荐以下几种损失：

• 加权交叉熵损失
  直接给火灾类别（1）分配远高于无火灾类别（0）的权重，抵消样本数量差异带来的模型偏向。比如如果火灾像素仅占总有效像素的2%，可以设置类别权重为[0.02, 0.98]（权重与样本占比成反比）。实现时先过滤掉标签为-1的像素，再计算加权交叉熵。

• Focal Loss
  相比加权交叉熵，它更进一步降低了易分类样本（比如大片无火灾区域）的损失占比，强制模型聚焦于难分类的火灾边缘、小面积火灾区域。可以结合类别权重（alpha参数）处理不平衡，gamma参数建议设为2，对易分类样本的抑制效果较好。

• 加权Dice Loss/Focal Dice Loss
  普通Dice Loss对类别不平衡的鲁棒性差，加权版本给火灾类别更高的权重；Focal Dice Loss则引入置信度惩罚，对预测模糊的像素（比如火灾边界）赋予更高的损失权重，更适合精细的火灾分割任务。

评估函数选择 #

AUC更适合二分类的整体排序评估，对像素级分割任务的参考价值有限，推荐以下针对性的评估指标：

• 火灾类别IoU（交并比）
  单独计算火灾区域的IoU（预测火灾区域与真实火灾区域的交集除以并集），这是分割任务最核心的指标，直接反映模型对火灾区域的预测精度。也可以计算加权IoU（给火灾类别更高权重）作为整体评估指标。

• 像素级F1-Score（针对火灾类别）
  分别计算火灾类别的精确率（避免无火灾区域被误判为火灾）和召回率（确保所有火灾区域被检测到），再取二者的调和平均。精确率关系到防控成本，召回率关系到灾情防控的及时性，F1能综合衡量这两个维度。

• 真阳性率（TPR）与假阳性率（FPR）
  TPR即火灾区域的召回率（漏检率的反面），FPR是无火灾区域被误判为火灾的比例。这两个指标能直观反映模型在实际场景中的风险：TPR低意味着大量火灾漏检，FPR高则会导致不必要的资源浪费。

额外注意事项 #

• 所有损失和评估计算前，必须用mask = (label != -1)过滤掉不确定区域的像素，避免干扰模型训练和性能评估。
• 先统计数据集里0、1类像素的具体占比，再针对性调整损失函数的权重，不要凭经验设置。

内容的提问来源于stack exchange，提问作者吴一凡