PSO-WOA algoritması kullanılarak orman yangınlarının yakılan alan tahmini için CNN-MLP çerçevesi

Yangın hasarını tahmin etmenin önemi

İklim ısındıkça ve insanlar ormanlık bölgelere yayıldıkça orman yangınları daha sıcak, daha geniş ve daha sık görülür hâle geliyor. Bir yangın çıktığında itfaiye ekipleri ve yerel topluluklar için en acil sorulardan biri, yangının çıkıp çıkmayacağı değil, ne kadar alanı yakacağıdır. Bu çalışma, yeni bir yapay zekâ türünün basit hava ve kuraklık ölçümlerini alıp bunları son yakılan alanın yüksek doğrulukta tahminlerine dönüştürebileceğini gösteriyor; bu da her saat değerliyken acil durum yöneticilerine önemli bir avantaj sağlayabilir.

Ham hava verilerinden yangın etkisine

Araştırmacılar, 517 orman yangınını kaydeden Portekiz’de bir ulusal parkın iyi bilinen veri setine odaklanıyor. Her yangın için nerede ve ne zaman olduğu, hava sıcaklığı, nem, rüzgâr hızı, son yağış ve orman yakıtının farklı katmanlarının ne kadar kuru olduğunu tanımlayan birkaç yangın hava kodu biliniyor. Zorluk şu ki kayıtlardaki çoğu yangın çok küçükken birkaç tanesi çok büyük ve hava ölçümleri ile yakılan alan arasındaki ilişki son derece karışık ve doğrusal olmayan bir yapıda. Destek vektör makineleri ve basit sinir ağları gibi önceki yöntemler bu karmaşık örüntüyle başa çıkmakta zorlandı ve yalnızca sınırlı doğrulukta tahminler ürettiler.

Hangi girdilerin önemli olduğunu algoritmalara bırakmak

Tüm kullanılabilir değişkenleri doğrudan bir modele vermek yerine ekip, ilk olarak ateşböceklerinden esinlenen bir algoritmanın en bilgilendirici girdi kombinasyonunu aramasına izin veriyor. Bu şemada her "ateşböceği" her özellik için evet-hayır kararı öneriyor: sıcaklığı dahil et, yağışı hariç tut, kuraklık kodlarından birini dahil et vb. Daha parlak ateşböcekleri, deneme modelini kullanarak daha doğru tahminler sağlayan ve girdi sayısını küçük tutan kombinasyonları temsil ediyor. Çok sayıda tur boyunca daha sönük ateşböcekleri daha parlak olanlara doğru hareket ediyor ve süreç anahtar faktörlerden oluşan yalın bir kümeye oturuyor. Bu prosedür tutarlı biçimde yakılan alanın beş ana itici gücünü öne çıkarıyor: sıcaklık, bağıl nem, orta ve uzun vadeli kuraklığı yakalayan iki kuraklık ölçüsü ve yangının parkta meydana geldiği yeri gösteren basit bir koordinat.

Doğadan esinlenen aramayla ayarlanmış hibrit sinir ağı

Bu temel girdilerle yazarlar hafif ama özelleşmiş bir sinir ağı inşa ediyor. Bir bölüm, seçilmiş özelliklerin nasıl etkileştiğinde örüntüler arayan bir boyutlu konvolüsyonel ağ; örneğin yüksek sıcaklık, düşük nem ve belirli yerlerde derin kuraklığın birleşimi gibi. Bu bölümün çıktısı daha sonra son regresyon adımını gerçekleştirip yakılan alanı tahmin eden daha geleneksel bir çok katmanlı algılayıcıya (MLP) akıyor. Bu hibrit modelin tüm iç ayarlarını—kaç katman olduğu, kaç nöron olduğu, öğrenme hızı gibi—seçmek başlı başına karmaşık bir problem. Bunu ele almak için ekip, kuş sürülerinden esinlenen parçacık sürü optimizasyonu (PSO) ile balinaların avlanma stratejisinden esinlenen bir yöntem (WOA) olmak üzere iki doğadan esinlenen arama yöntemini birleştiriyor. Aşamalı çalışarak bu algoritmalar birçok olası ağ tasarımını keşfediyor ve doğrulama verileri üzerindeki tahmin hatasını en aza indiren tasarımlara doğru yakınlaşıyor.

Gerçek yangınlarla neredeyse mükemmel uyum

Bu otomatik ayarlamadan sonra optimize edilmiş hibrit model, tek başına konvolüsyonel ağlar, klasik ileri beslemeli ağlar ve LSTM ve GRU gibi sıra odaklı modeller dahil olmak üzere birkaç güçlü derin öğrenme rakibiyle teste tabi tutuluyor. Hepsi aynı veri bölmeleri üzerinde eğitilip karşılaştırılıyor. Hibrit CNN–MLP sistemi açıkça öne çıkıyor. Tahminleri gözlemlenen yakılan alanlarla yaklaşık %99,9 determinasyon katsayısıyla uyuşuyor ve hektar cinsinden ortalama hataları son derece küçük. Verilerin tekrar tekrar karıştırılıp farklı eğitim ve test katlarına ayrıldığı çapraz doğrulama, bu performansın şans eseri oluşan bir bölünme değil, istikrarlı olduğunu gösteriyor. SHAP kullanılarak yapılan ek analizler—model kararlarını açıklayan bir araç—yüksek sıcaklıkların ve derin kuraklığın tahminleri daha büyük yakılan alanlara doğru ittiğini, daha yüksek nemin ise bunları geriye çektiğini doğruluyor; bu bulgular yerleşik yangın bilimiyle örtüşüyor.

Yangın yönetimi için bunun anlamı

Uzman olmayanlar için temel mesaj, modern yapay zekâ ve optimizasyonun dikkatli bir şekilde bir araya getirildiğinde birkaç rutin hava ve kuraklık ölçümünü, bir yangının muhtemelen ne kadar orman tüketeceğine dair çok güvenilir tahminlere dönüştürebileceğidir. En etkili girdileri otomatik seçip modelin iç işleyişini ince ayarlayarak yaklaşım hem doğruluk hem de yorumlanabilirlik sunuyor. Çalışma Portekiz’de tek bir parka ve nispeten küçük bir veri setine odaklansa da çerçeve, ilke olarak daha zengin verilere ve diğer bölgelere genişletilebilir. Bu tür sistemler olgunlaşıp gerçek zamanlı hava akışlarına bağlandıkça, kurumların yüksek riskli bölgeleri önceliklendirmesine, tahliyeleri daha erken planlamasına ve itfaiye kaynaklarını daha verimli dağıtmasına yardımcı olabilir; sonuçta insan ve ekolojik kayıpları azaltma potansiyeli taşır.

Atıf: 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

Anahtar kelimeler: yangın tahmini, yakılan alan, derin öğrenme, yangın hava indeksi, orman yangını riski