拿历史天气训练山火模型，再让它预测从未出现过的高温，最危险的往往不是模型不会算，而是它会很自信地把旧规律继续画下去。这里的问题叫外推：输入越过训练数据覆盖的范围，数据便无法告诉模型曲线该怎样延伸。研究者因此把极值理论——专门研究罕见极端值和分布尾部的统计方法——接入广义加性模型（GAM）。GAM 用多条平滑曲线相加描述结果，灵活且相对容易解释，但这些曲线在数据边缘通常约束很弱。
这项工作的关键设计，是让 GAM 在常见输入范围内继续保持非线性；当协变量——也就是用于预测的输入——进入高值尾部后，模型则在极值理论建议的尺度上逐步转为线性关系。作者强调，尾部能否合理外推，不只取决于这条直线，还取决于变量如何变换、采用什么响应分布，以及用哪种链接函数把输入连接到预测结果。论文同时处理连续结果和二元结果，并以欧洲山火数据探索这种方法。它提供的是更有统计依据的尾部结构，并不等于极端场景已经有了可靠答案。