Фреймворк CNN-MLP для прогнозирования площади лесных пожаров с использованием алгоритма PSO-WOA

Почему важно прогнозировать ущерб от пожаров

Лесные пожары становятся горячее, крупнее и чаще по мере потепления климата и расширения заселённых человеком территорий в лесных зонах. Для пожарных бригад и местных сообществ один из самых актуальных вопросов во время вспышки — не только возникнет ли огонь, но и какую площадь он, вероятно, охватит. В этом исследовании показано, как новый класс искусственного интеллекта способен взять простые метеорологические и показатели засушливости и превратить их в высокоточные оценки итоговой площади выгорания, что потенциально даёт сотрудникам служб экстренного реагирования более важное время на подготовку, когда каждая минута на счету.

От сырых метеоданных к оценке последствий пожара

Исследователи сосредотачиваются на известном наборе данных из португальского национального парка, где зарегистрировано 517 лесных пожаров. Для каждого пожара известны место и время события, температура воздуха, влажность, скорость ветра, недавние осадки и несколько индекс-значений пожарной погоды, описывающих, насколько сухи разные слои горючего материала. Сложность заключается в том, что большинство записанных пожаров очень малы, а несколько — крайне велики, и связь между метеопоказателями и площадью выгорания сильно запутана и нелинейна. Ранее применявшиеся методы, включая стандартные инструменты машинного обучения, такие как метод опорных векторов и простые нейронные сети, испытывали трудности с этой сложной картиной и давали лишь умеренно точные прогнозы.

Дать алгоритмам решить, какие входы имеют значение

Вместо того чтобы подавать в модель все доступные переменные, команда сначала позволяет алгоритму, вдохновлённому поведением светлячков, искать наиболее информативные комбинации входов. В этой схеме каждый «светлячок» предлагает да/нет-решение для каждой признака: включать ли температуру, исключать осадки, включать один из показателей засухи и так далее. Более «яркие» светлячки представляют комбинации, которые дают более точные прогнозы с использованием пробной модели при минимальном количестве входов. В ходе многих итераций более тусклые «светлячки» сходятся к более ярким, и процесс останавливается на компактном наборе ключевых факторов. Эта процедура последовательно выделяет пять основных факторов, определяющих площадь выгорания: температура, относительная влажность, два показателя засухи, отражающие среднесрочную и долгосрочную сухость, и простая координата, указывающая, где в парке произошёл пожар.

Гибридная нейронная сеть, настроенная поиском, вдохновлённым природой

Имея эти ключевые входы, авторы строят лёгкую, но специализированную нейронную сеть. Одна часть, называемая одномерной сверточной сетью, ищет закономерности во взаимодействии выбранных признаков — например, сочетание высокой температуры, низкой влажности и сильной засухи в определённых местах. Её выход затем поступает в более традиционный многослойный персептрон, который выполняет финальную регрессионную оценку площади выгорания. Выбор всех внутренних параметров этой гибридной модели — сколько слоёв, сколько нейронов, скорость обучения и т. п. — сам по себе представляет сложную задачу. Чтобы справиться с ней, команда комбинирует ещё два поисковых метода, вдохновлённых природой: один смоделирован по поведению стай птиц (оптимизация роя частиц, PSO), другой — по охотничьей стратегии китов (WOA). Работая поэтапно, эти алгоритмы исследуют множество вариантов конструкции сети и постепенно сходятся к тем, которые минимизируют ошибку прогноза на отложенных проверочных данных.

Практически полное совпадение с реальными пожарами

После автоматической настройки оптимизированная гибридная модель сравнивается с несколькими сильными конкурентами в глубоком обучении: автономными сверточными сетями, классическими прямыми нейронными сетями и моделями, ориентированными на последовательности, такими как LSTM и GRU. Все модели обучаются и сравниваются на одних и тех же разбиениях данных. Гибридная система CNN–MLP явно превосходит остальные. Её прогнозы совпадают с наблюдаемыми площадями выгорания с коэффициентом детерминации примерно 99,9%, а средние ошибки — измеряемые в гектарах — чрезвычайно малы. Кросс-валидация, при которой данные многократно перемешиваются и делятся на разные обучающие и тестовые подмножества, показывает, что такое качество стабильно и не является случайным результатом удачного разбиения. Дополнительный анализ с использованием SHAP — инструмента для объяснения решений модели — подтверждает, что более высокие температуры и глубокая засуха сдвигают прогнозы в сторону больших площадей выгорания, в то время как более высокая влажность сдерживает их, что соответствует устоявшимся представлениям в науке о пожарах.

Что это означает для управления пожарами

Для неспециалистов основная мысль такова: тщательно продуманное сочетание современных методов ИИ и оптимизации может преобразовать несколько рутинных метеоданных и показателей засухи в очень надёжные оценки того, какую площадь леса пожар, вероятно, уничтожит. Автоматически выбирая наиболее информативные входы и тонко настраивая внутренние параметры модели, подход сочетает точность и интерпретируемость. Хотя исследование сфокусировано на одном парке в Португалии и относительно небольшом наборе данных, сам фреймворк в принципе может быть расширен для более богатых данных и других регионов. По мере созревания таких систем и их интеграции с потоками данных в реальном времени они могли бы помогать службам приоритизировать зоны высокого риска, раньше планировать эвакуации и эффективнее распределять ресурсы пожаротушения, в конечном счёте снижая человеческие и экологические потери от лесных пожаров.

Цитирование: 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

Ключевые слова: прогнозирование лесных пожаров, площадь выгорания, глубокое обучение, индекс пожарной погоды, риск лесного пожара