Оценка пожарного риска с использованием методов машинного обучения: исследование на примере города Цзинань, Китай

Почему пожарный риск в одном городе важен для всех

По мере роста городов и усиления летней жары пожары, которые когда‑то казались редкостью, становятся всё более частыми и разрушительными. В этом исследовании рассматривается Цзинань, быстро растущий город на востоке Китая, чтобы ответить на простой, но срочный вопрос: где и когда наиболее вероятны возгорания? Объединив спутниковые данные, карты города и современные методы машинного обучения, авторы показывают, как можно в деталях выявить зоны повышенного риска и использовать эти знания для лучшей защиты людей, домов и прилегающих лесов.

Рассмотрение пожара как городского явления

Вместо того чтобы рассматривать каждый пожар как изолированный случай, команда изучала Цзинань как целостную систему. Они собрали записи более чем 7500 пожаров, зафиксированных спутником с 2001 по 2024 год, и сопоставили их с 15 факторами окружающей среды. Среди них были погодные показатели (осадки, температура, ветер и влажность), форма рельефа (высота, крутизна и экспозиция склонов), растительность (зелёность и тип землепользования) и признаки человеческой активности (плотность населения и расстояние до дорог и рек). Все эти данные были преобразованы в картографические слои общего разрешения, чтобы каждая точка города описывалась одинаково: насколько она обычно влажная или сухая, насколько крутая, насколько зелёная и насколько насыщена людьми.

Обучение компьютеров распознавать опасные зоны

Чтобы превратить этот массив информации в полезные прогнозы, авторы протестировали пять различных подходов машинного обучения. Они варьировались от хорошо известных методов, таких как случайный лес и опорные векторы, до более современных техник, включая Light Gradient‑Boosting Machine и глубокую систему обучения — сверточную нейронную сеть (CNN). Каждая модель обучалась отделять места, где происходили пожары, от похожих мест без зафиксированных возгораний. Затем модели оценивали по тому, насколько точно они могут классифицировать новые, невидимые данные, используя метрики, такие как общая точность, баланс между пропущенными пожарами и ложными срабатываниями, а также AUC — показатель на основе кривой, отражающий способность модели отделять рискованные зоны от безопасных.

Что показывают карты о том, где и когда случаются пожары

Лучше всех себя показали CNN и модель LightGBM: обе правильно предсказывали подверженные пожарам места более чем в четырёх из пяти случаев и имели очень высокие значения AUC. CNN была слегка впереди, особенно в чёткости границ между более безопасными и более рискованными участками. Её карты выявили характерную схему, описанную как «три высокорискованные зоны и два пояса риска». Проще говоря, самые подверженные пожарам места сгруппированы в центральных и южных городских районах, соединённых двумя зонами повышенного риска, проходящими через город и вдоль него. Равнины на севере и высокие горы на крайнем юге в целом менее подвержены риску. Анализ также показал, какие факторы имеют наибольшее значение: землепользование и тип покрытий вместе с зелёностью растительности оказались сильнейшими драйверами, заметно опережая средние климатические показатели температуры или осадков. Другими словами, то, как люди формируют и фрагментируют ландшафт, и сколько топлива доступно, важнее по меньшей мере так же, как и фоновый климат.

Сезоны, районы и человеческие привычки

Пожарный риск в Цзинане не одинаков в течение года. При подаче сезонных данных в CNN авторы обнаружили, что весна и лето выделяются особенно. Весна демонстрирует наибольшее распространение зон высокого риска, отчасти связанное с традиционными открытыми обрядами, где используются открытые огни вблизи сухой травы и лесов. Лето характеризуется наибольшим числом фактических пожаров, сосредоточенных в застроенных районах, где жара, большая нагрузка на электросеть и уличная активность складываются вместе. Осень приносит рассеянный риск вдоль краёв полей и гор, связанный с жжением растительных остатков, а зима смещает внимание на высохшую растительность и способы отопления в сельских и лесных зонах. При суммировании рисков по районам Хуайин назван приоритетом для превенции, за ним следуют Тяньцяо, Ганчэн и Чжанцю, что указывает, где службы пожарной охраны и просветительские кампании могли бы дать наибольший эффект.

Что это значит для более безопасных городов

Для неспециалиста основной вывод таков: пожары в городах и вокруг них не являются ни случайными, ни неизбежными. Изучая прошлые события и считывая тонкие сигналы в погоде, ландшафте, растительности и человеческой активности, современные алгоритмы могут строить подробные карты риска, которые показывают, где именно следует сосредоточить патрулирование, обновление старой электропроводки, управление растительностью и запреты на открытое сжигание. В Цзинане исследование показывает, что рост города, вплотную подходящий к легко воспламеняющимся зелёным зонам, — ключевой рецепт проблем. Та же схема наблюдается во многих городах мира. Подходы, подобные картам на базе CNN, дают местным властям практический инструмент, чтобы опережать следующий пожароопасный сезон, а не постоянно реагировать постфактум.

Цитирование: 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

Ключевые слова: городской пожарный риск, машинное обучение, спутниковые данные, сверточные нейронные сети, предотвращение чрезвычайных ситуаций