تقييم مخاطر الحرائق باستخدام تقنيات تعلم الآلة: دراسة حالة مدينة جينان، الصين

لماذا تهم مخاطر الحرائق في مدينة واحدة الجميع

مع تمدد المدن وارتفاع حرارة الصيف، أصبحت الحرائق التي كانت تبدو نادرة أكثر تواتراً وإلحاقاً للضرر. تبحث هذه الدراسة في جينان، مدينة نامية بسرعة في شرق الصين، لطرح سؤال بسيط لكنه ملح: أين من المرجح أن تندلع الحرائق، ومتى؟ من خلال مزج بيانات أقمار صناعية وخرائط المدينة وتقنيات تعلم الآلة الحديثة، يبيّن الباحثون كيف يمكن تحديد المناطق عالية الخطورة بدقة واستخدام تلك المعرفة لحماية الناس والمنازل والغابات المجاورة بشكل أفضل.

النظر إلى الحريق كنمط امتدادي في المدينة

بدلاً من اعتبار كل حريق حادثاً معزولاً، نظر الفريق إلى جينان كنظام متكامل. جمعوا سجلات أكثر من 7,500 حريق اكتشفتها الأقمار الصناعية بين 2001 و2024 وربطوها بـ15 متغيراً بيئياً. شملت هذه العوامل الطقس (مثل هطول الأمطار، ودرجة الحرارة، والرياح، والرطوبة)، وشكل الأرض (الارتفاع، والانحدار، والاتجاه)، والنباتات (مدى الخضرة ونوع غطاء الأرض)، ودلائل النشاط البشري (كثافة السكان والمسافة إلى الطرق والأنهار). حوّلوا كل هذه البيانات إلى طبقات خرائطية بدقة مشتركة بحيث يمكن وصف كل نقطة في المدينة بنفس الطريقة: مدى رطوبتها أو جفافها، ومدى انحدارها، ومدى خضرتها، ومدى ازدحامها بالناس.

تعليم الحواسيب التعرف على مناطق الخطر

لتحويل هذا الكم الكبير من المعلومات إلى تنبؤات مفيدة، اختبر المؤلفون خمسة أساليب مختلفة لتعلم الآلة. تراوحت هذه من طرق معروفة مثل الغابات العشوائية وآلات المتجه الداعم إلى تقنيات متقدمة أكثر، بما في ذلك LightGBM ونظام تعلم عميق يُدعى الشبكة العصبية الالتفافية (CNN). درّبوا كل نموذج على تمييز المواقع التي حدثت فيها حرائق عن مواقع مماثلة لم تُسجل فيها حرائق. ثم قَيَّموا النماذج بناءً على مدى دقتها في تصنيف مواقع جديدة وغير مرئية، باستخدام مقاييس مثل الدقة الإجمالية، والتوازن بين الحرائق الفائتة والإنذارات الكاذبة، ومقياس منحني يُعرف بمساحة تحت المنحنى (AUC) الذي يعكس مدى قدرة النموذج على فصل المناطق الخطرة عن الآمنة.

ما تكشفه الخرائط عن أماكن وتوقيت اندلاع الحرائق

كانت أفضل الأدوات أداءً هي الشبكة العصبية الالتفافية ونموذج LightGBM، حيث توقعتا بشكل صحيح المواقع المعرضة للحرائق أكثر من أربعة من كل خمس مرات وحققتا درجات AUC عالية جداً. كانت الشبكة الالتفافية لها الأفضلية البسيطة، خصوصاً في رسم حدود واضحة بين المناطق الأكثر أماناً والأكثر خطورة. أظهرت خرائطها نمطاً مميزاً وُصِفَ بـ«ثلاث مناطق عالية الخطورة وحزامين للمخاطر». ببساطة، تتجمع أكثر الأماكن عرضة للحرائق في وحول الأحياء الحضرية الوسطى والجنوبية، مرتبطة بشريطين من المخاطر المرتفعة يمران عبر المدينة وعلى طولها. السهول في الشمال والجبال العالية في أقصى الجنوب أقل عرضة بشكل عام. كما أبرز التحليل العوامل الأكثر أهمية: تبين أن استخدامات الأراضي وغطاء الأرض مع مقدار خضرة النباتات كانت المحركات الأقوى، أكثر من المتوسطات الطويلة الأمد لدرجات الحرارة أو هطول الأمطار. بعبارة أخرى، كيف يشكل الناس ويجزّأون المشهد، وكمية الوقود المتاحة، تهم على الأقل بقدر تأثير المناخ العام.

الفصول والأحياء والعادات البشرية

مخاطر الحرائق في جينان ليست ثابتة طوال السنة. من خلال إدخال بيانات فصليّة في الشبكة الالتفافية، وجد المؤلفون أن الربيع والصيف يبرزان. يظهر الربيع انتشاراً أوسع للمناطق عالية الخطورة، ويرتبط ذلك جزئياً بطقوس تقليدية في الهواء الطلق التي تستخدم النيران بالقرب من الأعشاب الجافة والغابات. الصيف يشهد أكبر عدد من الحرائق الفعلية، مركزة في الأحياء المبنية حيث يتضافر الجو الحار والاستهلاك الكبير للكهرباء والأنشطة الخارجية. الخريف يجلب مخاطر متفرقة على حواف الزراعات والجبال، مرتبطة بحرق بقايا المحاصيل، بينما ينتقل التركيز في الشتاء إلى النباتات الجافة وممارسات التدفئة في المناطق الريفية والغابية. عند تجميع المخاطر حسب الأحياء، برز حي هوائين كأولوية قصوى للوقاية، يليه تيانكياو، غانغتشنغ، وتشانغكيu، ما يوحي بالمناطق التي قد يكون لخدمات الإطفاء والتثقيف العام أكبر أثر فيها.

ما يعنيه هذا لمدن أكثر أماناً

لغير المختصين، الخلاصة الأساسية أن الحرائق في المدن ومحيطها ليست عشوائية ولا حتمية. من خلال التعلم من أحداث الماضي وقراءة الإشارات الدقيقة في الطقس والأرض والغطاء النباتي والنشاط البشري، يمكن للخوارزميات الحديثة رسم خرائط مخاطرة مفصّلة تُظهر بالضبط أين تتركز الدوريات، وترقيات الأسلاك القديمة، وإدارة الغطاء النباتي، وقواعد الحرق المفتوح. تظهر الدراسة في جينان أن نمو المدينة الضاغط على مساحات خضراء قابلة للاحتراق يشكل وصفةً رئيسية للمشاكل. ويظهر نفس النمط في مدن عديدة حول العالم. توفر منهجيات مثل الخرائط القائمة على الشبكات الالتفافية المستخدمة هنا وسيلة عملية للسلطات المحلية للبقاء في مقدمة موسم الحرائق القادم بدلاً من مجرد الرد بعد وقوعه.

الاستشهاد: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

الكلمات المفتاحية: مخاطر الحرائق الحضرية, تعلم الآلة, بيانات الأقمار الصناعية, الشبكات العصبية الالتفافية, الوقاية من الكوارث