הערכת סיכון של שריפות באמצעות טכניקות למידת מכונה: מקרה בוחן של עיר ג'ינאן, סין

למה סיכון שריפות בעיר אחת חשוב לכולם

ככל שהערים מתרחבות והקייצים הופכים חמים יותר, שריפות שבעבר נחשבו נדירות נהיות תכופות ומזיקות יותר. המחקר בוחן את ג'ינאן, עיר שצומחת במהירות במזרח סין, כדי לשאול שאלה פשוטה אך דחופה: היכן ובאיזה זמנים סביר שהשריפות יתפרצו? באמצעות שילוב של נתוני לוויין, מפות עירוניות וטכניקות מחשוב מודרניות, המחברים מראים איך ניתן לזהות אזורים בעלי סיכון גבוה בפירוט ולנצל את המידע הזה כדי להגן טוב יותר על אנשים, בתים ויערות סמוכים.

להסתכל על השריפה כעל דפוס עירוני

במקום להתייחס לכל שריפה כתאונה מבודדת, הצוות התבונן בג'ינאן כמערכת שלמה. הם אספו רישומים של יותר מ‑7,500 שריפות שזוהו על ידי לוויין בין השנים 2001 ל‑2024 וזיווגו אותם עם 15 גורמים סביבתיים. אלה כללו מזג אוויר (כמו גשמים, טמפרטורה, רוח ולחות), צורת הקרקע (גובה, שיפוע וכיוון), צמחייה (ירוקות וסוג כיסוי קרקע) וסימנים לפעילות אנושית (צפיפות אוכלוסין ומרחק לכבישים ולנהרות). כל הנתונים הומרו לשכבות מפה ברזולוציה משותפת כך שכל נקודה בעיר תוכל להיות מתוארת באותה צורה: כמה לחה או יבשה היא נוטה להיות, כמה תלולה, כמה ירוקה וכמה פעילה מבחינת אוכלוסייה.

ללמד מחשבים לזהות אזורי סכנה

כדי להפוך את ההר המידע הזה לתחזיות שימושיות, המחברים בחנו חמש גישות שונות של למידת מכונה. אלה נעו משיטות ידועות כמו יערות אקראיים (Random Forests) ומכונות וקטור תמיכה (SVM) ועד טכניקות מתקדמות יותר, כולל Light Gradient‑Boosting Machines ומערכת למידה עמוקה שנקראת רשת עצבית קונבולוציונית (CNN). כל מודל אומן להבחין בין מיקומים שבהם אירעו שריפות לבין מיקומים דומים שבהם לא נרשם אירוע. המודלים נבחנו על יכולתם לסווג מיקומים חדשים שלא נראו קודם באמצעות מדדים כגון דיוק כללי, איזון בין שריפות שהוחמצו לאזהרות שווא, וציון מבוסס עקומה הידוע כ‑AUC שמייצג עד כמה המודל מפריד בין אזורים בסיכון לאזורים בטוחים.

מה המפות חושפות על מתי והיכן נכנסות שריפות

כלי הביצוע הטובים ביותר היו ה‑CNN ודגם ה‑LightGBM, ששניהם חזו נכון מיקומים מועדי שריפה יותר מארבע מתוך חמש פעמים והשיגו ציוני AUC גבוהים מאוד. ל‑CNN הייתה יתרון קל, במיוחד בשרטוט גבולות חדים בין אזורים בטוחים לסכנתיים יותר. המפות שלה הציגו תבנית מובחנת שתוארה כ"שלושה אזורי סיכון גבוהים ושני חגורות סיכון." בפשטות, המקומות המועדים ביותר לשריפה מתמקדים במרכז ובמחוזות דרומיים עירוניים ובסביבתם, מקושרים על ידי שתי רצועות של סיכון מוגבר החוצות ויורדות בעיר. המישורים בצפון וההרים הגבוהים בדרום הרחוק נוטים להיות פחות בסיכון. הניתוח גם הדגיש אילו גורמים הם המשמעותיים ביותר: שימושי קרקע וכיסוי קרקע, לצד ירוקת הצמחייה, התגלו ככוננים החזקים ביותר, יותר מאשר ממוצעים ארוכי‑טווח של טמפרטורה או גשמים. במילים אחרות, איך אנשים מעצבים ומפרקים את הנוף וכמות הדלק (חומר בעירה) הקיימת חשובים לפחות כפי שהאקלים הרקעי חשוב.

עונות, שכונות והרגלים אנושיים

סיכון השריפה בג'ינאן אינו קבוע לאורך השנה. באמצעות הזנת נתונים ספציפיים לעונה לתוך ה‑CNN, המחברים מצאו כי האביב והקיץ בולטים. האביב מציג את הפיזור הרחב ביותר של אזורי סיכון גבוה, חלקית מקושר לטקסים חיצוניים מסורתיים שמשתמשים בלהבות פתוחות בקרבת דשא ויערות יבשים. בקיץ יש את המספר הגבוה ביותר של שריפות בפועל, מרוכז במחוזות בנויים שבהם חום, צריכת חשמל כבדה ופעילויות חוצות משתלבים. הסתיו מביא סיכון מפוזר לאורך שולי חקלאות והרים, המשויך לשריפת שאריות גידולים, בעוד בחורף המוקד עובר לצמחייה מיובשת ולשיטות חימום באזורים כפריים ויעריים. כאשר סיכום הסיכונים נעשה לפי מחוזות, מחוז חואייין עלה כעדיפות עליונה למניעה, ואחריו טיאנקיאו, גאנגצ'נג וז'אנגצ'יוו, מה שמצביע על המקומות שבהם שירותי כיבוי והחינוך הציבורי יכולים להיות בעלי ההשפעה הגדולה ביותר.

מה המשמעות של זה לערים בטוחות יותר

למי שאינו מומחה, המסקנה העיקרית היא שהשריפות בתוככי הערים וסביבן אינן אקראיות ולא בלתי נמנעות. על‑ידי למידה מאירועים עברו וקריאת אותות עדינים במזג אוויר, קרקע, צמחייה ופעילות אנושית, אלגוריתמים מודרניים יכולים לצייר מפות סיכון מפורטות שמראות בדיוק היכן למקד סיורים, שדרוגים של חיווט ישן, ניהול צמחייה וחוקים בנוגע לשריפה פתוחה. בג'ינאן, המחקר מראה כי התפשטות עירונית הלוחצת על מרחבים ירוקים דליקים היא מתכון מרכזי לבעיות. אותה תבנית מופיעה בערים רבות ברחבי העולם. גישות כמו המפות המבוססות CNN שהוצגו כאן מעניקות לרשויות המקומיות כלי מעשי להקדים את עונת השריפות במקום להגיב תמיד לאחר האירוע.

ציטוט: 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

מילות מפתח: סיכון שריפות עירוני, למידת מכונה, נתוני לוויין, רשתות עצביות קונבולוציוניות, מניעת אסונות