إطار عمل CNN-MLP لتنبؤ مناطق الغابات المحروقة باستخدام خوارزمية PSO-WOA

لماذا يهم التنبؤ بأضرار الحريق

تزداد الحرائق البرية سخونةً وحجماً وتكراراً مع ارتفاع حرارة المناخ وتوسع النشاط البشري إلى المناطق الحرجية. بالنسبة لفرق الإطفاء والمجتمعات المحلية، لا يقتصر السؤال الملح أثناء اندلاع حريق على ما إذا كان سيندلع فحسب، بل على مقدار الأرض التي من المحتمل أن تحترق. تُظهر هذه الدراسة كيف يمكن لنوعٍ جديد من الذكاء الاصطناعي تحويل قياسات بسيطة للطقس والجفاف إلى تقديرات دقيقة للغاية للمساحة النهائية المحروقة، ما قد يمنح مديري الطوارئ ميزة قيمة عندما تكون كل ساعة مهمة.

من بيانات الطقس الخام إلى أثر الحريق

يركز الباحثون على مجموعة بيانات معروفة من منتزه وطني برتغالي توثق 517 حريق غابي. لكل حريق، تتوفر معلومات عن المكان والزمان، ودرجة حرارة الهواء، والرطوبة، وسرعة الرياح، وهطول الأمطار الأخير، وعدد من رموز طقس الحريق التي تصف مدى جفاف طبقات الوقود الحرجية المختلفة. التحدي هو أن معظم الحرائق في السجل صغيرة جداً، بينما بعضها نادر وكبير، وأن العلاقة بين قراءات الطقس والمساحة المحروقة معقدة وغير خطية. واجهت الطرق السابقة، بما في ذلك أدوات التعلم الآلي التقليدية مثل آلات الدعم النقطية والشبكات العصبية البسيطة، صعوبة مع هذا النمط الفوضوي وأسفرت عن تنبؤات بدقة محدودة.

ترك الخوارزميات تقرر أي المدخلات مهمة

بدلاً من إدخال كل متغير متاح في نموذج، يسمح الفريق أولاً لخوارزمية مستوحاة من يراعات النار بالبحث عن أنسب تركيبة من المدخلات. في هذا الأسلوب، تقترح كل "يراعة" اختياراً بنعم أو لا لكل ميزة: تضمين درجة الحرارة، استبعاد الهطول، تضمين أحد رموز الجفاف، وهكذا. تمثل اليراعات الأشد لمعاناً التركيبات التي تنتج تنبؤات أكثر دقة باستخدام نموذج تجريبي مع الاحتفاظ بعدد مدخلات قليل. على مدار جولات عديدة، تتحرك اليراعات الأطفأ نحو الأشد لمعاناً، وتتبلور العملية على مجموعة رشيقة من العوامل الأساسية. تُبرز هذه الإجراءات باستمرار خمسة محركات رئيسية للمساحة المحروقة: درجة الحرارة، الرطوبة النسبية، مقياسان للجفاف يلتقطان الجفاف المتوسط والطويل الأمد، وإحداثية بسيطة تشير إلى موقع الحريق داخل المنتزه.

شبكة عصبية هجينة مضبوطة بواسطة بحث مستوحى من الطبيعة

بوجود تلك المدخلات الأساسية، يبني المؤلفون شبكة عصبية خفيفة لكنها متخصصة. جزء منها، يُسمّى شبكة التلافيف أحادية البعد، يبحث عن أنماط في كيفية تداخل الميزات المختارة — مثل مزيج ارتفاع الحرارة، وانخفاض الرطوبة، وعمق الجفاف في مواقع معينة. ثم يتدفق ناتجها إلى شبكة بيرسيبترون متعددة الطبقات أكثر تقليدية تؤدي خطوة الانحدار النهائية لتقدير المساحة المحروقة. اختيار جميع الإعدادات الداخلية لهذا النموذج الهجين — عدد الطبقات، وعدد العصبونات، ومعدل التعلم — هو مشكلة معقدة بحد ذاته. للتعامل مع ذلك، يجمع الفريق طريقتين إضافيتين مستوحاة من الطبيعة، إحداهما تحاكي أسراب الطيور (تحسين سرب الجسيمات) والأخرى تحاكي استراتيجية الصيد لدى الحيتان. تعمل هذه الخوارزميات على مراحل، تستكشف العديد من تصاميم الشبكة المحتملة وتقترب تدريجياً من تلك التي تقلل خطأ التنبؤ على بيانات التحقق المُحتجَزة.

تطابق شبه مثالي مع الحرائق الحقيقية

بعد هذا الضبط التلقائي، يُختبر النموذج الهجين المحسّن مقابل عدة منافسين قويين في التعلم العميق: شبكات تلافيف مستقلة، وشبكات تغذية أمامية كلاسيكية، ونماذج موجهة للتسلسل مثل LSTM وGRU. تُدرّب جميعها وتُقارن باستخدام نفس تقسيمات البيانات. يبرز نظام CNN–MLP الهجين بوضوح في الصدارة. تتطابق تنبؤاته مع المساحات المحروقة الملاحظة بمعامل تحديد يبلغ نحو 99.9 بالمئة، وأخطاؤه المتوسطة — المقاسة بالهكتارات — ضئيلة للغاية. يُظهر التحقق المتقاطع، حيث تُعاد خلط وتقسيم البيانات إلى طيات تدريب واختبار مختلفة مراراً، أن هذا الأداء مستقر وليس نتيجة تقسيمة محظوظة. تؤكد تحليلات إضافية باستخدام SHAP، أداة لشرح قرارات النماذج، أن ارتفاع درجات الحرارة وتعمق الجفاف يدفعان التنبؤات نحو مساحات أكبر، بينما تعمل الرطوبة الأعلى على كبحها، بما يتماشى مع علم الحرائق المعروف.

ماذا يعني هذا لإدارة الحرائق

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن مزيجاً مصمماً بعناية من الذكاء الاصطناعي الحديث وطرق التحسين يمكنه تحويل حفنة من قراءات الطقس والجفاف الروتينية إلى تقديرات موثوقة للغاية لحجم الغابات التي من المحتمل أن يستهلكها الحريق. عبر اختيار المدخلات الأكثر دلالة تلقائياً وضبط البنية الداخلية للنموذج، يقدم النهج كلّاً من الدقة وقابلية التفسير. ولأن الدراسة تركز على منتزه واحد في البرتغال ومجموعة بيانات صغيرة نسبياً، يمكن، من حيث المبدأ، توسيع الإطار ليشمل بيانات أثرى ومناطق أخرى. ومع نضج مثل هذه الأنظمة وربطها بتغذيات الطقس في الوقت الحقيقي، يمكن أن تساعد الوكالات على تحديد المناطق عالية الخطورة، والتخطيط للإخلاء مبكراً، وتوزيع موارد مكافحة الحرائق بكفاءة أكبر، مما يقلل في النهاية الأثر البشري والبيئي للحرائق البرية.

الاستشهاد: Mousa, M.H., Algamdi, A.M., Fouad, Y. et al. CNN-MLP framework for forest burned areas prediction using PSO-WOA algorithm. Sci Rep 16, 4982 (2026). https://doi.org/10.1038/s41598-026-35836-4

الكلمات المفتاحية: تنبؤ الحرائق البرية, المساحة المحروقة, التعلّم العميق, مؤشر طقس الحريق, خطر حرائق الغابات