Ramowy model CNN-MLP do prognozowania powierzchni spalonych lasów z użyciem algorytmu PSO-WOA

Dlaczego przewidywanie szkód pożarowych ma znaczenie

Pożary lasów stają się coraz gorętsze, większe i częstsze w miarę ocieplania się klimatu i ekspansji zabudowy na tereny zalesione. Dla strażaków i lokalnych społeczności jednym z najpilniejszych pytań podczas zdarzenia nie jest tylko to, czy pożar się rozpocznie, ale ile terenu prawdopodobnie spłonie. W tym badaniu pokazano, jak nowy rodzaj sztucznej inteligencji potrafi przekształcić proste pomiary pogodowe i suszy w bardzo dokładne oszacowania końcowej powierzchni spalanej, potencjalnie dając służbom ratunkowym istotną przewagę, gdy każda godzina ma znaczenie.

Od surowych danych pogodowych do wpływu pożaru

Naukowcy skupiają się na dobrze znanym zbiorze danych z portugalskiego parku narodowego, który rejestruje 517 pożarów lasów. Dla każdego pożaru znane są miejsce i czas zdarzenia, temperatura powietrza, wilgotność, prędkość wiatru, ostatnie opady oraz kilka kodów opisujących warunki pożarowe, które określają, jak suche są różne warstwy paliwa leśnego. Problem polega na tym, że większość pożarów w rejestrze jest mała, podczas gdy kilka jest bardzo dużych, a związek między odczytami pogodowymi a powierzchnią spalania jest wysoce złożony i nieliniowy. Wcześniejsze metody, w tym standardowe narzędzia uczenia maszynowego takie jak maszyny wektorów nośnych czy proste sieci neuronowe, miały trudności z tym chaotycznym wzorcem i dawały jedynie umiarkowanie dokładne prognozy.

Pozwolenie algorytmom zdecydować, które wejścia są istotne

Zamiast podawać do modelu wszystkie dostępne zmienne, zespół najpierw pozwala algorytmowi inspirowanemu zachowaniem świetlików wyszukać najbardziej informacyjną kombinację wejść. W tym schemacie każdy „świetlik” proponuje wybór tak/nie dla każdej cechy: uwzględnić temperaturę, pominąć opady, uwzględnić jeden z kodów suszy itd. Jaśniejsze świetliki reprezentują kombinacje, które dają bardziej dokładne prognozy przy użyciu próbnego modelu, jednocześnie utrzymując liczbę wejść na niskim poziomie. W kolejnych iteracjach słabsze świetliki przemieszczają się w kierunku jaśniejszych, a proces ustala oszczędny zestaw kluczowych czynników. Procedura ta konsekwentnie wyróżnia pięć głównych determinant powierzchni spalonych: temperaturę, wilgotność względną, dwa miary suszy oddające suchość średnio- i długoterminową oraz prosty współrzędny wskazujący, gdzie w parku doszło do pożaru.

Hybrydowa sieć neuronowa dostrojona za pomocą wyszukiwania inspirowanego przyrodą

Mając te kluczowe wejścia, autorzy budują lekką, lecz wyspecjalizowaną sieć neuronową. Jedna część, zwana jednowymiarową siecią konwolucyjną, poszukuje wzorców w tym, jak wybrane cechy ze sobą współdziałają — na przykład kombinację wysokiej temperatury, niskiej wilgotności i głębokiej suszy w pewnych lokalizacjach. Jej wyjście następnie zasila bardziej tradycyjny perceptron wielowarstwowy, który wykonuje końcowy krok regresji w celu oszacowania powierzchni spalanej. Wybór wszystkich wewnętrznych ustawień tej hybrydowej architektury — ile warstw, ile neuronów, jak szybkie uczenie — jest sam w sobie skomplikowanym problemem. Aby sobie z tym poradzić, zespół łączy jeszcze dwa metody wyszukiwania inspirowane przyrodą: jedną wzorowaną na stadach ptaków (optymalizacja rojem cząstek, PSO) i drugą na strategii polowania wielorybów (WOA). Działając etapami, algorytmy te eksplorują wiele możliwych projektów sieci i stopniowo skupiają się na tych, które minimalizują błąd prognozy na danych walidacyjnych.

Prawie idealna zgodność z rzeczywistymi pożarami

Po tym automatycznym dostrojeniu zoptymalizowany model hybrydowy zostaje przetestowany przeciwko kilku silnym konkurentom z zakresu głębokiego uczenia: samodzielnym sieciom konwolucyjnym, klasycznym sieciom feed-forward oraz modelom sekwencyjnym takim jak LSTM i GRU. Wszystkie są trenowane i porównywane na tych samych podziałach danych. System hybrydowy CNN–MLP wyraźnie wychodzi na prowadzenie. Jego prognozy pokrywają się z obserwowanymi powierzchniami spalonymi z współczynnikiem determinacji na poziomie około 99,9 procent, a średnie błędy — mierzone w hektarach — są bardzo małe. Walidacja krzyżowa, w której dane są wielokrotnie losowo mieszane i dzielone na różne zbiory treningowe i testowe, pokazuje, że ta wydajność jest stabilna, a nie wynikiem szczęśliwego podziału. Dodatkowe analizy z użyciem SHAP, narzędzia do wyjaśniania decyzji modeli, potwierdzają, że wyższe temperatury i głębsza susza przesuwają prognozy w stronę większych powierzchni spalonych, podczas gdy wyższa wilgotność je ogranicza — co odzwierciedla ustalone wnioski nauki o pożarach.

Co to oznacza dla zarządzania pożarami

Dla osób niezaznajomionych z tematem głównym przesłaniem jest to, że starannie skonstruowane połączenie nowoczesnej sztucznej inteligencji i metod optymalizacji może przekształcić garść rutynowych odczytów pogodowych i wskaźników suszy w bardzo wiarygodne szacunki, ile lasu pożar prawdopodobnie pochłonie. Dzięki automatycznemu wybieraniu najbardziej istotnych wejść i dopracowywaniu wnętrza modelu podejście to oferuje zarówno dokładność, jak i interpretowalność. Choć badanie koncentruje się na jednym parku w Portugalii i stosunkowo niewielkim zbiorze danych, ramy te mogą w zasadzie zostać rozszerzone na bogatsze dane i inne regiony. W miarę jak takie systemy dojrzeją i zostaną połączone z strumieniami pogodowymi w czasie rzeczywistym, mogą pomóc agencjom priorytetyzować strefy wysokiego ryzyka, planować ewakuacje wcześniej i lepiej rozdzielać zasoby gaśnicze, co ostatecznie zmniejszy straty ludzkie i ekologiczne związane z pożarami lasów.

Cytowanie: 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

Słowa kluczowe: prognozowanie pożarów, powierzchnia spalona, głębokie uczenie, wskaźnik warunków pożarowych, ryzyko pożaru lasu