מסגרת CNN-MLP לחיזוי שטחי יער שנשרפו באמצעות אלגוריתם PSO-WOA

מדוע חיזוי נזקי אש חשוב

שריפות בר מתאפיינות בהתחממות, בהרחבה ובהתדירות ככל שהאקלים מתחמם ובני אדם מתפשטים לאזורי יער. עבור צוותי כיבוי וקהילות מקומיות, אחד השאלות הדחופות בזמן פרוץ הוא לא רק האם תפרוץ אש, אלא כמה שטח היא צפויה לשרוף. המחקר הזה מראה כיצד סוג חדש של בינה מלאכותית יכול לקחת מדידות פשוטות של מזג אוויר ויובש ולהפוך אותן לאומדנים מדויקים מאוד של השטח הסופי שנשרף, ובכך לתת למנהלי חירום יתרון חזק כשכל שעה חשובה.

מנתוני מזג אוויר גולמיים להשפעת האש

החוקרים מתמקדים במאגר נתונים ידוע של פארק לאומי פורטוגלי שמתעד 517 שריפות יער. עבור כל שריפה הם יודעים היכן ומתי קרתה, טמפרטורת האוויר, הלחות, מהירות הרוח, הגשם האחרון, וכמה קודים של מזג אוויר לאש שמתארים כמה יבשים שכבות שונות של הדלק היערות. האתגר הוא שרוב השריפות ברשומה הן זעירות, בעוד שכמה מהן מאוד גדולות, והקשר בין קריאות מזג האוויר לשטח השרוף מסובך ולא ליניארי. שיטות מוקדמות, כולל כלי למידת מכונה סטנדרטיים כגון מכונות וקטור תומך ורשתות עצביות פשוטות, נאבקו עם התבנית המסורבלת הזו והפיקו תחזיות ברמת דיוק רק צנועה.

להתיר לאלגוריתמים להחליט אילו קלטים חשובים

במקום להזין לכל משתנה זמין למודל, הצוות מאפשר תחילה לאלגוריתם בהשראת גחליליות לחפש את הצירוף המידע־מרבי של הקלטים. בסכימה זו, כל "גחלילית" מציעה בחירה כן-או-לא עבור כל תכונה: לכלול טמפרטורה, לא לכלול גשם, לכלול אחד מקודי היובש, וכן הלאה. גחליליות בוהקות יותר מייצגות צירופים שמניבים תחזיות מדויקות יותר באמצעות מודל ניסיוני תוך שמירה על מספר קלטים קטן. במהלך סבבים רבים, גחליליות פחות בוהקות נעות לעבר הבוהקות, והתהליך מתייצב על סט צמצום של גורמים מרכזיים. ההליך הזה מדגיש באופן עקבי חמישה גורמים עיקריים שמשפיעים על השטח השרוף: טמפרטורה, לחות יחסית, שתי מדידות יובש שמלכדות יובש בטווח הביניים והארוך, וקואורדינטה פשוטה שמציינת היכן בפארק התרחשה השריפה.

רשת עצבית היברידית ממוטבת על ידי חיפוש בהשראת הטבע

עם אותם קלטים מרכזיים ביד, המחברים בונים רשת עצבית קלה אך ממוקדת. חלק אחד, הנקרא רשת קונבולוציה חד־ממדית, מחפש דפוסים באופן שבו התכונות הנבחרות מתקשרות — כגון הצירוף של טמפרטורה גבוהה, לחות נמוכה, ויובש עמוק במיקומים מסוימים. הפלט של חלק זה זורם לאחר מכן לתוך פרספטרון רב־שכבתי מסורתי שמבצע את שלב הרגרסיה הסופי להערכת השטח השרוף. בחירת כל ההגדרות הפנימיות של המודל ההיברידי הזה — כמה שכבות, כמה נוירונים, כמה מהר הוא לומד — היא כשלעצמה בעיה מורכבת. כדי להתמודד עם זה, הצוות משלב שתי שיטות חיפוש נוספות בהשראת הטבע, האחת מדמה עדרי ציפורים (אופטימיזציה באמצעות חלקיקים) והשנייה מאומצת מאסטרטגיית הציד של לווייתנים. העובדה שהם פועלים בשלבים מאפשרת לאלגוריתמים אלה לחקור עיצובים רבים אפשריים של הרשת ולהתקרב בהדרגה לאלה שממזערים את שגיאת החיזוי על נתוני ולידציה שנשארו מחוץ לאימון.

התאמה כמעט מושלמת עם השריפות האמיתיות

לאחר כוונון אוטומטי זה, המודל ההיברידי הממוטב נבחן מול מספר מתחרים חזקים בלמידה העמוקה: רשתות קונבולוציה עצמאיות, רשתות קדימה קלאסיות, ומודלים מוכווני רצף כגון LSTM ו-GRU. כל אלה מאומנים ונבדקים על אותם חלוקי נתונים. מערכת ה-CNN–MLP ההיברידית גוברת בבירור. התחזיות שלה תואמות את השטחים הנצפים עם מקדם קביעה של כ־99.9 אחוז, והשגיאות הממוצעות שלה — הנמדדות בהקטרות — קטנות מאוד. ולידציית צולבים, שבה הנתונים מבחולקים ומחולפים פעמים רבות לקבוצות אימון ובדיקה שונות, מראה שהביצועים האלה יציבים ולא מקריים בשל חלוקה מקסימה. ניתוחים נוספים באמצעות SHAP, כלי להסברת החלטות מודלים, מאשרים שהטמפרטורות הגבוהות ויובש עמוק דוחפים את התחזיות לכדי שטחים שרופים גדולים יותר, בעוד שלחות גבוהה מעכבת אותן — תאוצה שמדברת בשפת מדע השריפות המוכר.

מה משמעות הדבר לניהול שריפות

לא-מומחים, המסר המרכזי הוא ששילוב מתוכנן היטב של בינה מלאכותית מודרנית ואופטימיזציה יכול להפוך כמה קריאות שגרתיות של מזג אוויר ויובש לאומדנים מהימנים מאוד לגבי כמה יער אש צפויה לצרוך. על ידי בחירה אוטומטית של הקלטים המדברים ביותר וכיוונון פנימי של פעולת המודל, הגישה מציעה גם דיוק וגם יכולת לפרש את המניעים. למרות שהמחקר מתמקד בפארק אחד בפורטוגל ובמאגר נתונים יחסית קטן, המסגרת ניתנת, עקרונית, להרחבה לנתונים עשירים יותר ואזורים אחרים. ככל שמערכות כאלה יתפתחו וייושמו בקישור להזנות מזג אוויר בזמן אמת, הן יוכלו לעזור לסוכנויות להעדיף אזורים בסיכון גבוה, לתכנן פינוי מוקדם יותר, ולהקצות משאבי כיבוי בצורה יעילה יותר — ובסופו של דבר להפחית את הנטל האנושי והאקולוגי של שריפות בר.

ציטוט: 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

מילות מפתח: חיזוי שריפות יער, שטח שרוף, למידה עמוקה, מדד מזג אוויר לאש, סיכון לשריפת יער