Avaliação do risco de incêndio usando técnicas de aprendizado de máquina: um estudo de caso da cidade de Jinan, China

Por que o risco de incêndio em uma cidade importa para todos

À medida que as cidades crescem e os verões ficam mais quentes, incêndios que antes pareciam raros tornam‑se mais frequentes e mais danosos. Este estudo examina Jinan, uma cidade em rápido crescimento no leste da China, para fazer uma pergunta simples, porém urgente: onde os incêndios têm mais probabilidade de ocorrer e quando? Ao combinar dados de satélite, mapas da cidade e técnicas modernas de aprendizado de máquina, os pesquisadores mostram como é possível identificar áreas de alto risco com detalhe e usar esse conhecimento para proteger melhor pessoas, residências e florestas próximas.

Enxergando o incêndio como um padrão em toda a cidade

Em vez de tratar cada incêndio como um acidente isolado, a equipe considerou Jinan como um sistema integral. Eles reuniram registros de mais de 7.500 incêndios detectados por satélite entre 2001 e 2024 e os associaram a 15 fatores ambientais. Esses incluíram o clima (como precipitação, temperatura, vento e umidade), a forma do terreno (elevação, declive e orientação), a vegetação (verdeza e tipo de cobertura do solo) e sinais de atividade humana (densidade populacional e distância a estradas e rios). Todos esses dados foram convertidos em camadas cartográficas com resolução comum para que cada ponto da cidade pudesse ser descrito da mesma maneira: quão úmido ou seco tende a ser, quão íngreme, quão verde e quão movimentado por pessoas.

Ensinando computadores a reconhecer zonas de perigo

Para transformar essa grande massa de informação em previsões úteis, os autores testaram cinco abordagens diferentes de aprendizado de máquina. Essas iam de métodos conhecidos, como Random Forests e Support Vector Machines, a técnicas mais avançadas, incluindo Light Gradient‑Boosting Machines e um sistema de aprendizado profundo chamado Rede Neural Convolucional (CNN). Cada modelo foi treinado para distinguir locais onde ocorreram incêndios de locais semelhantes onde nenhum incêndio foi registrado. Os modelos foram então avaliados pela precisão com que podiam classificar novas localizações não vistas, usando medidas como acurácia geral, equilíbrio entre incêndios perdidos e alarmes falsos, e uma métrica baseada em curva conhecida como AUC, que reflete quão bem o modelo separa áreas de risco das seguras.

O que os mapas revelam sobre onde e quando os incêndios ocorrem

As ferramentas com melhor desempenho foram a CNN e o modelo LightGBM, ambos prevendo corretamente locais propensos a incêndio em mais de quatro em cada cinco casos e alcançando escores AUC muito altos. A CNN teve uma leve vantagem, especialmente ao traçar limites nítidos entre áreas mais seguras e mais arriscadas. Seus mapas mostraram um padrão distintivo descrito como “três zonas de alto risco e dois cinturões de risco”. Em termos simples, os locais mais propensos a incêndios se concentram nos distritos urbanos centrais e ao sul, ligados por duas faixas de risco elevado que atravessam e descem pela cidade. As planícies ao norte e as altas montanhas no extremo sul são geralmente menos vulneráveis. A análise também destacou quais fatores importam mais: uso e cobertura do solo, junto com a verdeza da vegetação, mostraram‑se os principais determinantes, mais do que médias de longo prazo de temperatura ou precipitação. Em outras palavras, como as pessoas moldam e fragmentam a paisagem e quanto combustível está disponível importa pelo menos tanto quanto o clima de base.

Estações, bairros e hábitos humanos

O risco de incêndio em Jinan não é constante ao longo do ano. Ao alimentar dados específicos por estação na CNN, os autores descobriram que primavera e verão se destacam. A primavera mostra a maior extensão de áreas de alto risco, em parte ligada a rituais tradicionais ao ar livre que usam chamas abertas perto de gramíneas secas e matas. O verão concentra o maior número de incêndios reais, focalizados em bairros construídos, onde o calor, o uso intenso de eletricidade e as atividades ao ar livre se combinam. O outono traz risco disperso ao longo de áreas agrícolas e bordas montanhosas, associado à queima de resíduos agrícolas, enquanto o inverno desloca a atenção para vegetação seca e práticas de aquecimento em zonas rurais e florestais. Quando os riscos foram contabilizados por distrito, Huaiyin emergiu como prioridade máxima para prevenção, seguido por Tianqiao, Gangcheng e Zhangqiu, indicando onde serviços de combate a incêndio e educação pública poderiam ter maior impacto.

O que isso significa para cidades mais seguras

Para um público não especializado, a principal conclusão é que incêndios em e ao redor de cidades não são nem aleatórios nem inevitáveis. Ao aprender com eventos passados e ler sinais sutis no clima, no solo, na vegetação e na atividade humana, algoritmos modernos podem traçar mapas de risco detalhados que mostram exatamente onde concentrar patrulhas, atualização de fiação antiga, manejo da vegetação e regras sobre queima ao ar livre. Em Jinan, o estudo mostra que o crescimento urbano encostado em áreas verdes inflamáveis é uma receita chave para problemas. O mesmo padrão aparece em muitas cidades ao redor do mundo. Abordagens como os mapas baseados em CNN usados aqui oferecem às autoridades locais uma forma prática de se antecipar à próxima temporada de incêndios, em vez de reagir sempre depois do fato.

Citação: 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

Palavras-chave: risco de incêndio urbano, aprendizado de máquina, dados de satélite, redes neurais convolucionais, prevenção de desastres