CNN-MLP-Rahmenwerk zur Vorhersage verbrannter Waldflächen unter Verwendung des PSO-WOA-Algorithmus

Warum die Vorhersage von Feuerschäden wichtig ist

Waldbrände werden mit der Erwärmung des Klimas und der Ausweitung menschlicher Aktivitäten in bewaldete Gebiete heißer, größer und häufiger. Für Einsatzkräfte und lokale Gemeinschaften stellt sich während eines Ausbruchs nicht nur die Frage, ob ein Feuer entsteht, sondern vor allem, wie viel Fläche es voraussichtlich verbrennen wird. Diese Studie zeigt, wie eine neue Form künstlicher Intelligenz einfache Wetter- und Trockenheitsmessungen in sehr genaue Schätzungen der letztlich verbrannten Fläche verwandeln kann und damit Einsatzleitern einen besseren Vorsprung verschaffen könnte, wenn jede Stunde zählt.

Von Rohwetterdaten zur Brandwirkung

Die Forschenden konzentrieren sich auf einen bekannten Datensatz aus einem portugiesischen Nationalpark, der 517 Waldbrände dokumentiert. Für jeden Brand sind Ort und Zeitpunkt bekannt sowie Lufttemperatur, Luftfeuchte, Windgeschwindigkeit, jüngste Niederschläge und mehrere Feuerwetter-Codes, die beschreiben, wie trocken verschiedene Schichten des Brennstoffs sind. Die Herausforderung besteht darin, dass die meisten Brände im Datensatz sehr klein sind, während wenige sehr groß sind, und die Verbindung zwischen Wetterwerten und verbrannter Fläche stark verschränkt und nichtlinear ist. Frühere Methoden, einschließlich gängiger maschineller Lernverfahren wie Support-Vektor-Maschinen und einfacher neuronaler Netze, hatten mit diesem unübersichtlichen Muster zu kämpfen und lieferten nur mäßig genaue Vorhersagen.

Algorithmen entscheiden lassen, welche Eingaben wichtig sind

Anstatt jede verfügbare Variable in ein Modell zu speisen, lässt das Team zunächst einen von Glühwürmchen inspirierten Algorithmus nach der informativsten Kombination von Eingaben suchen. In diesem Schema schlägt jede „Glühwürmchen“-Instanz für jede Eigenschaft eine Ja-Nein-Entscheidung vor: Temperatur einbeziehen, Regen ausschließen, einen der Trockenheitscodes einbeziehen usw. Heller leuchtende Glühwürmchen repräsentieren Kombinationen, die mit einem Probelmodell genauere Vorhersagen liefern und zugleich die Anzahl der Eingaben klein halten. Über viele Runden bewegen sich dunklere Glühwürmchen auf hellere zu, und der Prozess konvergiert auf eine schlanke Menge von Schlüsselfaktoren. Dieses Verfahren hebt konstant fünf Haupttreiber der verbrannten Fläche hervor: Temperatur, relative Luftfeuchte, zwei Trockenheitsmaße, die mittel- und langfristige Trockenheit erfassen, und eine einfache Koordinate, die angibt, wo im Park der Brand stattfand.

Ein hybrides neuronales Netz, abgestimmt durch naturinspirierte Suche

Mit diesen Kern-Eingaben bauten die Autor:innen ein leichtgewichtiges, aber spezialisiertes neuronales Netz. Ein Teil, ein eindimensionales Faltungsnetz (Convolutional Network), sucht nach Mustern in der Wechselwirkung der ausgewählten Merkmale – etwa die Kombination aus hoher Temperatur, niedriger Luftfeuchte und ausgeprägter Trockenheit an bestimmten Orten. Seine Ausgabe fließt dann in ein traditionelleres Multilayer-Perzeptron, das den finalen Regressionsschritt zur Schätzung der verbrannten Fläche übernimmt. Die Auswahl aller internen Einstellungen dieses Hybridmodells – wie viele Schichten, wie viele Neuronen, wie schnell es lernt – ist für sich genommen ein kompliziertes Problem. Um damit umzugehen, kombiniert das Team zwei weitere naturinspirierte Suchmethoden, eine orientiert an Vogelschwärmen (Partikelschwarmoptimierung) und die andere an der Jagdstrategie von Walen. In Stufen arbeitend, erkunden diese Algorithmen viele mögliche Netzwerkdesigns und nähern sich schrittweise denen an, die den Vorhersagefehler auf zurückgehaltenen Validierungsdaten minimieren.

Beinahe perfekte Übereinstimmung mit realen Bränden

Nach dieser automatischen Abstimmung wird das optimierte Hybridmodell gegen mehrere starke Deep-Learning-Konkurrenten getestet: eigenständige Faltungsnetze, klassische Feed-Forward-Netze und sequenzorientierte Modelle wie LSTM und GRU. Alle werden auf denselben Datenteilungen trainiert und verglichen. Das hybride CNN–MLP-System liegt klar vorn. Seine Vorhersagen stimmen mit den beobachteten verbrannten Flächen mit einem Bestimmtheitsmaß (R²) von etwa 99,9 Prozent überein, und seine mittleren Fehler – gemessen in Hektar – sind extrem gering. Kreuzvalidierung, bei der die Daten wiederholt durchmischt und in verschiedene Trainings- und Test-Folds aufgeteilt werden, zeigt, dass diese Leistung stabil ist und nicht Folge einer glücklichen Aufteilung. Zusätzliche Analysen mit SHAP, einem Werkzeug zur Erklärung von Modellentscheidungen, bestätigen, dass höhere Temperaturen und stärkere Trockenheit die Vorhersagen in Richtung größerer verbrannter Flächen treiben, während höhere Luftfeuchte bremsend wirkt – ein Befund, der der etablierten Brandwissenschaft entspricht.

Was das für das Brandmanagement bedeutet

Für Nicht-Fachleute ist die Kernbotschaft, dass eine sorgfältig gestaltete Kombination moderner KI und Optimierung aus einer Handvoll routinemäßiger Wetter- und Trockenheitsmessungen sehr verlässliche Schätzungen darüber machen kann, wie viel Wald ein Brand wahrscheinlich verbraucht. Durch die automatische Auswahl der aussagekräftigsten Eingaben und die Feineinstellung der inneren Abläufe des Modells bietet der Ansatz sowohl Genauigkeit als auch Interpretierbarkeit. Obwohl die Studie sich auf einen Park in Portugal und einen relativ kleinen Datensatz konzentriert, lässt sich das Rahmenwerk prinzipiell auf reichhaltigere Daten und andere Regionen ausdehnen. Wenn solche Systeme reifen und an Echtzeit-Wetterdaten angeschlossen werden, könnten sie Behörden helfen, Hochrisikozonen zu priorisieren, Evakuierungen früher zu planen und Feuerbekämpfungsressourcen effizienter zuzuordnen – und so letztlich die menschlichen und ökologischen Folgen von Waldbränden zu verringern.

Zitation: 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

Schlüsselwörter: Waldbrandvorhersage, verbrannte Fläche, Tiefes Lernen, Feuerwetterindex, Waldbrandrisiko