Ocena ryzyka pożarowego przy użyciu technik uczenia maszynowego: studium przypadku miasta Jinan, Chiny

Dlaczego ryzyko pożaru w jednym mieście ma znaczenie dla wszystkich

W miarę jak miasta rosną, a lata stają się gorętsze, pożary, które kiedyś wydawały się rzadkie, stają się częstsze i bardziej niszczycielskie. W tym badaniu przyjrzano się Jinan — szybko rozwijającemu się miastu we wschodnich Chinach — aby postawić proste, lecz pilne pytanie: gdzie i kiedy pożary najprawdopodobniej wybuchną? Łącząc dane satelitarne, mapy miejskie i nowoczesne techniki komputerowe, badacze pokazują, jak można szczegółowo wskazać obszary wysokiego ryzyka i wykorzystać tę wiedzę do lepszej ochrony ludzi, domów i pobliskich lasów.

Postrzeganie pożaru jako zjawiska w skali całego miasta

Zamiast traktować każdy pożar jako odosobniony wypadek, zespół potraktował Jinan jako system całościowy. Zebrali zapisy ponad 7 500 pożarów wykrytych z satelity w latach 2001–2024 i powiązali je z 15 czynnikami środowiskowymi. Należały do nich warunki pogodowe (opady, temperatura, wiatr i wilgotność), rzeźba terenu (wysokość, nachylenie i ekspozycja stoków), roślinność (zielen i rodzaj pokrycia terenu) oraz wskaźniki aktywności ludzkiej (gęstość zaludnienia i odległość od dróg i rzek). Wszystkie te dane zostały przekształcone w warstwy mapowe o wspólnej rozdzielczości, tak by każdy punkt w mieście można było opisać w ten sam sposób: jak wilgotny lub suchy jest zwykle, jak stromy, jak zielony i jak zatłoczony.

Nauka komputerów rozpoznawania stref zagrożenia

Aby przemienić tę górę informacji w użyteczne prognozy, autorzy przetestowali pięć różnych podejść uczenia maszynowego. Obejmowały one dobrze znane metody, takie jak Random Forest i maszyny wektorów nośnych (SVM), oraz bardziej zaawansowane techniki, w tym Light Gradient‑Boosting Machine i system głębokiego uczenia zwany splotową siecią neuronową (CNN). Każdy model był trenowany, aby odróżniać lokalizacje, w których wystąpiły pożary, od podobnych miejsc, gdzie pożarów nie zanotowano. Modele oceniano następnie pod kątem zdolności klasyfikacji nowych, niewidzianych wcześniej lokalizacji, używając miar takich jak ogólna dokładność, balans między pominiętymi pożarami a fałszywymi alarmami oraz miara krzywoliniowa AUC, odzwierciedlająca, jak dobrze model rozdziela obszary ryzykowne od bezpiecznych.

Co mapy ujawniają o tym, gdzie i kiedy pojawiają się pożary

Najlepiej wypadły sieć CNN i model LightGBM — oba poprawnie przewidywały miejsca podatne na pożary w ponad czterech na pięć przypadków i osiągały bardzo wysokie wartości AUC. CNN miała niewielką przewagę, zwłaszcza w rysowaniu ostrych granic między bezpieczniejszymi a bardziej zagrożonymi obszarami. Jej mapy wykazały charakterystyczny układ opisany jako „trzy strefy wysokiego ryzyka i dwa pasy ryzyka”. Mówiąc prościej, najbardziej narażone miejsca skupiają się w centralnych i południowych dzielnicach miejskich oraz wokół nich, powiązane dwoma pasmami podwyższonego ryzyka przebiegającymi przez miasto i wzdłuż jego osi. Równiny na północy i wysokie góry na dalekim południu są z reguły mniej narażone. Analiza podkreśliła także, które czynniki mają największe znaczenie: użytkowanie i pokrycie terenu oraz zieleń roślinności okazały się najsilniejszymi czynnikami, silniejszymi niż długoterminowe średnie temperatury czy opady. Innymi słowy, to, jak ludzie kształtują i fragmentują krajobraz oraz ile paliwa jest dostępne, ma co najmniej tyle samo znaczenia co tło klimatyczne.

Pory roku, dzielnice i zachowania ludzkie

Ryzyko pożaru w Jinan nie jest stałe w ciągu roku. Dostarczając do CNN dane specyficzne dla sezonu, autorzy stwierdzili, że wyróżniają się wiosna i lato. Wiosna wykazuje najszersze rozprzestrzenienie obszarów wysokiego ryzyka, częściowo związane z tradycyjnymi rytuałami na świeżym powietrzu, w których używa się otwartego ognia w pobliżu suchej trawy i lasów. Lato ma największą liczbę faktycznych pożarów, skoncentrowanych w zabudowanych dzielnicach, gdzie gorąca pogoda, duże zużycie energii elektrycznej i aktywności na świeżym powietrzu się łączą. Jesień przynosi rozproszone ryzyko wzdłuż terenów rolniczych i krawędzi górskich, związane z wypalaniem pozostałości po uprawach, natomiast zima przesuwa uwagę na wyschniętą roślinność i praktyki ogrzewania w strefach wiejskich i leśnych. Po zsumowaniu ryzyka według dzielnic, Huaiyin okazała się najwyższym priorytetem dla działań zapobiegawczych, a następnie Tianqiao, Gangcheng i Zhangqiu, co sugeruje, gdzie służby pożarnicze i edukacja publiczna mogą przynieść największy efekt.

Co to oznacza dla bezpieczniejszych miast

Dla osoby niebędącej specjalistą główny wniosek jest taki, że pożary w i wokół miast nie są ani losowe, ani nieuniknione. Ucząc się na podstawie przeszłych zdarzeń i odczytując subtelne sygnały w pogodzie, terenie, roślinności i ludzkiej aktywności, współczesne algorytmy potrafią tworzyć szczegółowe mapy ryzyka, które pokazują dokładnie, gdzie skupić patrole, modernizację starych instalacji elektrycznych, zarządzanie roślinnością i regulacje dotyczące wypalania na otwartym terenie. W Jinan badanie pokazuje, że rozwój miejski wciśnięty w palne tereny zielone to kluczowy przepis na kłopoty. Ten sam wzorzec pojawia się w wielu miastach na całym świecie. Podejścia takie jak oparte na CNN mapy zastosowane tutaj dają lokalnym władzom praktyczne narzędzie, aby wyprzedzać sezon pożarowy, zamiast zawsze reagować po fakcie.

Cytowanie: 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

Słowa kluczowe: ryzyko pożaru w miastach, uczenie maszynowe, dane satelitarne, splotowe sieci neuronowe, zapobieganie katastrofom