Beoordeling van brandrisico met behulp van machine learning-technieken: een casestudy van Jinan City, China

Waarom brandrisico in één stad iedereen aangaat

Naarmate steden groeien en zomers warmer worden, komen branden die vroeger zeldzaam leken steeds vaker voor en veroorzaken ze meer schade. Deze studie onderzoekt Jinan, een snelgroeiende stad in oostelijk China, om een eenvoudige maar dringende vraag te stellen: waar en wanneer breken branden het meest waarschijnlijk uit? Door satellietgegevens, stadskaarten en moderne computerleren-technieken te combineren, laten de onderzoekers zien hoe we risicovolle gebieden nauwkeurig kunnen identificeren en die kennis kunnen gebruiken om mensen, woningen en nabijgelegen bossen beter te beschermen.

Brand bekijken als een stedelijk patroon

In plaats van elke brand als een geïsoleerd ongeluk te beschouwen, zagen de onderzoekers Jinan als een geheel systeem. Ze verzamelden records van meer dan 7.500 door satelliet gedetecteerde branden van 2001 tot 2024 en koppelden die aan 15 omgevingsfactoren. Deze omvatten het weer (zoals neerslag, temperatuur, wind en luchtvochtigheid), de vorm van het landschap (hoogte, helling en oriëntatie), vegetatie (groenheid en type landbedekking) en tekenen van menselijke activiteit (bevolkingsdichtheid en afstand tot wegen en rivieren). Al deze gegevens werden omgezet in kaartlagen met een gemeenschappelijke resolutie, zodat elk punt in de stad op dezelfde manier beschreven kon worden: hoe nat of droog het gewoonlijk is, hoe steil, hoe groen en hoe druk met mensen.

Computers trainen om gevarenzones te herkennen

Om deze berg aan informatie om te zetten in bruikbare voorspellingen, testten de auteurs vijf verschillende machine learning-aanpakken. Die varieerden van bekende methoden zoals Random Forests en Support Vector Machines tot geavanceerdere technieken, waaronder Light Gradient-Boosting Machines en een deep learning-systeem genaamd een Convolutional Neural Network (CNN). Elk model werd getraind om locaties waar branden hadden plaatsgevonden te onderscheiden van vergelijkbare locaties zonder geregistreerde brand. De modellen werden vervolgens beoordeeld op hoe nauwkeurig ze nieuwe, ongeziene locaties konden classificeren met maatstaven zoals algemene nauwkeurigheid, de balans tussen gemiste branden en valse alarmen, en een curve-gebaseerde score bekend als AUC die aangeeft hoe goed het model risicogebieden van veilige gebieden scheidt.

Wat de kaarten onthullen over waar en wanneer branden toeslaan

De best presterende hulpmiddelen waren het CNN en het LightGBM-model; beide voorspelden brandgevoelige locaties in meer dan vier van de vijf gevallen correct en behaalden zeer hoge AUC-scores. Het CNN had een lichte voorsprong, vooral bij het trekken van scherpe grenzen tussen veiligere en risicovollere gebieden. De kaarten toonden een opvallend patroon dat werd beschreven als “drie hoogrisicozones en twee risicobanden.” In eenvoudige termen: de meest brandgevoelige plekken clusteren in en rond centrale en zuidelijke stedelijke districten, verbonden door twee banden met verhoogd risico die over en door de stad lopen. De vlakten in het noorden en de hoge bergen in het verre zuiden zijn over het algemeen minder risicovol. De analyse benadrukte ook welke factoren het belangrijkst zijn: landgebruik en landbedekking, samen met vegetatiegroenheid, bleken de sterkste drijfveren te zijn, meer dan langjarige gemiddelden van temperatuur of neerslag. Met andere woorden, hoe mensen het landschap vormgeven en versnipperen, en hoeveel brandstof er aanwezig is, doet minstens zoveel ter zake als het achtergrondklimaat.

Seizoenen, wijken en menselijke gewoonten

Het brandrisico in Jinan is niet constant gedurende het jaar. Door seizoensspecifieke gegevens in het CNN te voeren, vonden de auteurs dat lente en zomer eruit springen. De lente toont de breedste verspreiding van hoogrisicogebieden, deels gekoppeld aan traditionele buitenrituelen waarbij open vuur wordt gebruikt in de buurt van droog gras en bos. De zomer kent het grootste aantal daadwerkelijke branden, geconcentreerd in bebouwde wijken waar heet weer, intensief elektriciteitsgebruik en buitenactiviteiten samenkomen. De herfst brengt verspreid risico langs landbouw- en bergranden, geassocieerd met het verbranden van oogstresten, terwijl de winter de aandacht verlegt naar droge vegetatie en verwarmingspraktijken in landelijke en beboste zones. Wanneer risico’s per district werden opgeteld, bleek Huaiyin de hoogste prioriteit voor preventie te hebben, gevolgd door Tianqiao, Gangcheng en Zhangqiu, wat aangeeft waar brandweer en publiekseducatie de grootste impact kunnen hebben.

Wat dit betekent voor veiligere steden

Voor een niet-specialist is de belangrijkste conclusie dat branden in en rond steden niet willekeurig noch onvermijdelijk zijn. Door te leren van eerdere gebeurtenissen en subtiele signalen in weer, terrein, vegetatie en menselijke activiteit te lezen, kunnen moderne algoritmen gedetailleerde risicokaarten maken die precies aangeven waar te focussen op patrouilles, upgrades van verouderde elektrische installaties, beheer van vegetatie en regels voor open vuur. In Jinan toont de studie aan dat stedelijke groei die aandrukt tegen brandbare groene ruimtes een belangrijke aanleiding voor problemen is. Hetzelfde patroon doet zich in veel steden wereldwijd voor. Benaderingen zoals de hier gebruikte CNN-gebaseerde kaarten bieden lokale autoriteiten een praktische manier om de volgende brandenperiode voor te blijven in plaats van steeds achteraf te moeten reageren.

Bronvermelding: 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

Trefwoorden: stedelijk brandrisico, machine learning, satellietgegevens, convolutionele neurale netwerken, rampenpreventie