Brandrisikobewertung mit Methoden des maschinellen Lernens: Eine Fallstudie der Stadt Jinan, China

Warum das Brandrisiko einer Stadt alle betrifft

Mit dem Wachstum der Städte und heißeren Sommern werden Brände, die früher selten schienen, häufiger und zerstörerischer. Diese Studie betrachtet Jinan, eine schnell wachsende Stadt im Osten Chinas, und stellt eine einfache, aber dringliche Frage: Wo treten Brände am ehesten auf und wann? Durch die Kombination von Satellitendaten, Stadtplänen und modernen Methoden des maschinellen Lernens zeigen die Forschenden, wie sich hochriskante Bereiche präzise ausweisen lassen und dieses Wissen genutzt werden kann, um Menschen, Wohnungen und benachbarte Wälder besser zu schützen.

Brände als stadträumliches Muster betrachten

Statt jeden Brand als isolierten Unfall zu behandeln, betrachtete das Team Jinan als ein Gesamtsystem. Sie sammelten Aufzeichnungen von mehr als 7.500 durch Satelliten detektierten Bränden von 2001 bis 2024 und kombinierten diese mit 15 Umweltfaktoren. Dazu gehörten Wetterdaten (wie Niederschlag, Temperatur, Wind und Luftfeuchte), Geländemerkmale (Höhenlage, Hangneigung und Exposition), Vegetation (Grünindex und Landbedeckungstyp) und Hinweise auf menschliche Aktivität (Bevölkerungsdichte sowie Entfernung zu Straßen und Flüssen). All diese Daten wurden in Kartenebenen mit gemeinsamer Auflösung überführt, sodass jeder Punkt der Stadt gleichartig beschrieben werden konnte: wie trocken oder feucht er im Schnitt ist, wie steil, wie bewachsen und wie stark von Menschen genutzt.

Computern beibringen, Gefahrenzonen zu erkennen

Um diese Datenmenge in nutzbare Vorhersagen zu verwandeln, testeten die Autorinnen und Autoren fünf verschiedene Ansätze des maschinellen Lernens. Diese reichten von etablierten Methoden wie Random Forests und Support Vector Machines bis hin zu fortgeschritteneren Techniken, darunter Light Gradient‑Boosting Machines und ein Deep‑Learning‑System namens Convolutional Neural Network (CNN). Jedes Modell wurde darauf trainiert, Orte, an denen Brände aufgetreten waren, von vergleichbaren Orten ohne Brandaufzeichnung zu unterscheiden. Anschließend wurden die Modelle darin bewertet, wie genau sie neue, unbekannte Orte klassifizieren konnten – unter anderem mittels Gesamttrefferquote, Balance zwischen verpassten Bränden und Fehlalarmen sowie einer kurvenbasierten Kennzahl (AUC), die misst, wie gut das Modell riskante von sicheren Bereichen trennt.

Was die Karten über Orte und Zeiten von Bränden aussagen

Am besten schnitten das CNN und das LightGBM‑Modell ab, die beide Brand gefährdete Orte in mehr als vier von fünf Fällen korrekt vorhersagten und sehr hohe AUC‑Werte erzielten. Das CNN hatte einen leichten Vorsprung, insbesondere bei der klaren Abgrenzung zwischen sichereren und riskanteren Flächen. Seine Karten zeigten ein markantes Muster, beschrieben als „drei Hochrisikozonen und zwei Risikogürtel“. Einfach ausgedrückt ballen sich die brandgefährdetsten Bereiche in und um zentrale sowie südliche Stadtbezirke, verbunden durch zwei Bänder erhöhten Risikos, die sich quer und längs durch die Stadt ziehen. Ebenen im Norden und hohe Berge im äußersten Süden weisen insgesamt geringeres Risiko auf. Die Analyse hob außerdem die wichtigsten Einflussfaktoren hervor: Landnutzung und Landbedeckung sowie Vegetationsgrünheit erwiesen sich als stärkste Treiber – stärker noch als langfristige Mittelwerte von Temperatur oder Niederschlag. Anders gesagt: Wie Menschen die Landschaft formen und fragmentieren und wie viel brennbares Material vorhanden ist, spielt mindestens eine ebenso große Rolle wie das Hintergrundklima.

Jahreszeiten, Viertel und menschliche Gewohnheiten

Das Brandrisiko in Jinan ist nicht das ganze Jahr über gleich. Durch Eingabe saisonbezogener Daten in das CNN fanden die Autorinnen und Autoren heraus, dass Frühling und Sommer besonders hervorstechen. Der Frühling zeigt die breiteste Ausdehnung hochriskanter Bereiche, teils verbunden mit traditionellen Freiluftritualen, die offenes Feuer in der Nähe von trockenem Gras und Wäldern nutzen. Der Sommer bringt die größte Anzahl tatsächlicher Brände, konzentriert in dicht bebauten Bezirken, wo Hitze, hoher Stromverbrauch und Aktivitäten im Freien zusammenkommen. Der Herbst weist verstreute Risiken entlang landwirtschaftlicher Flächen und Bergkanten auf, verbunden mit dem Verbrennen von Ernterückständen, während der Winter die Aufmerksamkeit auf ausgetrocknete Vegetation und Heizgewohnheiten in ländlichen und bewaldeten Zonen lenkt. Bei einer Aufschlüsselung nach Bezirken ergab sich Huaiyin als höchste Priorität für Prävention, gefolgt von Tianqiao, Gangcheng und Zhangqiu, was Hinweise gibt, wo Feuerwehrmaßnahmen und Aufklärung am wirksamsten sein könnten.

Was das für sicherere Städte bedeutet

Für Nichtfachleute ist die wichtigste Erkenntnis, dass Brände in und um Städte weder zufällig noch unvermeidbar sind. Indem man aus vergangenen Ereignissen lernt und subtile Signale in Wetter, Gelände, Vegetation und menschlicher Aktivität ausliest, können moderne Algorithmen detaillierte Risikokarten erstellen, die genau zeigen, wo Patrouillen, Erneuerungen alter Elektroinstallationen, Vegetationspflege und Verbotsregelungen für offenes Feuer am sinnvollsten sind. In Jinan zeigt die Studie, dass städtisches Wachstum, das an leicht entflammbare Grünflächen grenzt, ein zentrales Risikorezept darstellt. Dasselbe Muster lässt sich in vielen Städten weltweit beobachten. Ansätze wie die hier verwendeten CNN‑basierten Karten bieten lokalen Behörden ein praktisches Mittel, der nächsten Brandsaison vorauszuplanen, statt immer nur hinterher zu reagieren.

Zitation: 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

Schlüsselwörter: städtisches Brandrisiko, maschinelles Lernen, Satelittendaten, konvolutionale neuronale Netze, Katastrophenvorsorge