DOI: https://doi.org/10.1038/s41598-026-35836-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41520038
تاريخ النشر: 2026-01-10
المؤلف: Mohamed H. Mousa وآخرون
الموضوع الرئيسي: آثار الحرائق على النظم البيئية
نظرة عامة
تقدم البحث إطار عمل هجين محسن للتعلم العميق، يجمع بين شبكة عصبية تلافيفية (CNN) وبيرسيبترون متعدد الطبقات (MLP) مع تقنيات تحسين ميتاهيرستية، تهدف إلى التنبؤ بدقة بالمناطق المحترقة من حرائق الغابات. يتناول الدراسة تعقيدات بيانات الطقس المرتبطة بالحرائق، التي تتميز بعلاقات غير خطية وانحراف، من خلال استخدام خوارزمية اليراعة الثنائية (BFA) لاختيار الميزات، والتي تحدد مجموعة مضغوطة من الميزات الجوية والمكانية المفيدة. بالإضافة إلى ذلك، يتم استخدام خوارزمية تحسين سرب الجسيمات-تحسين الحوت (PSO-WOA) لضبط المعلمات الفائقة، مما يعزز أداء النموذج. تكشف التجارب على مجموعة بيانات حرائق الغابات من UCI أن النموذج المقترح PSO-WOA-CNN-MLP يتفوق بشكل كبير على نماذج التعلم العميق التقليدية، محققًا أخطاء تنبؤ منخفضة (متوسط الخطأ التربيعي (MSE) = 0.0093، متوسط الخطأ المطلق (MAE) = 0.0767، متوسط الخطأ المطلق الوسيط (MedAE) = 0.0616، متوسط الخطأ النسبي المطلق (MAPE) = 0.0066) ومعامل تحديد مرتفع ($R^2 = 99.89\%$).
تؤكد الدراسة على أهمية التحسين المشترك في تحسين تعميم النموذج واستقراره، حيث تعمل BFA بفعالية على تقليل أبعاد المدخلات وتضمن استراتيجية PSO-WOA إعدادات مثالية للمعلمات الفائقة. لا تعزز البنية الهجينة دقة التنبؤ فحسب، بل توفر أيضًا قابلية للتفسير، حيث تشير تحليل أهمية الميزات إلى أن درجة الحرارة، والرطوبة النسبية، ومؤشرات الجفاف هي عوامل حاسمة لتنبؤ المناطق المحترقة. تشير النتائج إلى أن الإطار المقترح هو أداة واعدة لتقييم وإدارة مخاطر حرائق الغابات، مع توصية بالعمل المستقبلي لتضمين متغيرات بيئية إضافية والتحقق من صحة النموذج عبر مناطق جغرافية متنوعة لتعزيز قابليته للتطبيق.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة للحرائق البرية كتهديدات بيئية واقتصادية اجتماعية، تفاقمت بسبب تغير المناخ والأنشطة البشرية في المناطق المعرضة للحرائق. تؤدي هذه الحرائق إلى فقدان الأرواح، وتلف الممتلكات، وتدهور البيئة، مما يثير الحاجة إلى التنبؤ الفعال بالمناطق المحترقة لتعزيز تخصيص الموارد واستراتيجيات إدارة المخاطر. تطورت الطرق التقليدية لتنبؤ المناطق المحترقة من النماذج التجريبية إلى الأساليب المعتمدة على البيانات، خاصة مع التقدم في التعلم الآلي (ML) والتعلم العميق (DL). وقد أظهرت الدراسات أن النماذج غير الخطية والهياكل الهجينة يمكن أن تتفوق على التقنيات التقليدية، ومع ذلك تظل التحديات قائمة بسبب الطبيعة المنحرفة لمجموعات البيانات مثل مجموعة بيانات حرائق الغابات من UCI، مما يعقد التنبؤات الدقيقة.
تحدد الورقة الفجوات الحرجة في الأبحاث الحالية، ولا سيما نقص الأطر المتكاملة التي تعمل على تحسين كل من اختيار الميزات والمعلمات الفائقة للنموذج لتنبؤ المناطق المحترقة باستخدام بيانات خطر الحريق الجدولية. لمعالجة هذه الفجوات، يقترح المؤلفون إطار عمل هجين للتعلم العميق يستخدم خوارزمية تحسين اليراعة الثنائية لاختيار الميزات وخوارزمية تحسين سرب الجسيمات-تحسين الشلال للضبط المعلمات الفائقة. يهدف هذا النهج الموحد إلى تعزيز دقة التنبؤ والصلابة من خلال تحسين مراحل المعالجة المسبقة والنمذجة بشكل مشترك، مما يعزز مجال تنبؤ حرائق الغابات.
طرق
تتضمن المنهجية المقترحة الموضحة في هذا البحث إطار عمل منظم لمعالجة البيانات وتحسين النموذج، كما هو موضح في الشكل 6. تبدأ العملية باكتساب البيانات والمعالجة المسبقة، والتي تشمل التطبيع وتقسيم مجموعة البيانات. ثم تتقدم عبر أربع مراحل رئيسية: (1) اختيار الميزات المعتمد على الغلاف باستخدام خوارزمية أفضل ميزة (BFA)، (2) تحسين المعلمات الفائقة لمختلف نماذج التعلم العميق من خلال خوارزمية تحسين سرب الجسيمات (PSO) وخوارزمية تحسين الحوت (WOA). يهدف هذا النهج الهجين إلى تعزيز أداء النموذج مع تقليل جهود الضبط اليدوي.
في مرحلة تحسين المعلمات الفائقة، تشمل مساحة البحث المعلمات الحرجة مثل معدل التعلم، نوع المحسن، حجم الدفعة، عدد دورات التدريب، عدد الطبقات المخفية، عدد الخلايا العصبية/الفلاتر لكل طبقة، أحجام نواة الالتفاف لعمارة CNN وCNN-MLP، بالإضافة إلى احتمالات التسرب ومعاملات تنظيم L2. يمثل كل حل مرشح تكوينًا فريدًا للمعلمات الفائقة، والذي يتم إنشاؤه وتدريبه على مجموعة التدريب باستخدام الميزات التي اختارها BFA. يتم تقييم أداء النموذج على مجموعة التحقق، مع التركيز على تقليل متوسط الخطأ التربيعي للتحقق (MSE)، مع اعتبار R² كمؤشر أداء ثانوي. يبرز قسم إعداد التجارب أهمية الشفافية وقابلية التكرار في عملية المحاكاة، مما يضمن وضوح كيفية اشتقاق النتائج.
نقاش
يقدم البحث استراتيجية تحسين هجينة جديدة تجمع بين تحسين سرب الجسيمات (PSO) وخوارزمية تحسين الحوت (WOA) لضبط المعلمات الفائقة في نماذج التعلم العميق، تستهدف بشكل خاص التنبؤ بالمناطق المحترقة في حرائق الغابات. يعزز هذا النهج التوازن بين الاستكشاف العالمي والاستغلال المحلي، مما يؤدي إلى تحسين استقرار التقارب وأداء التعميم. تقدم الدراسة بنية CNN-MLP خفيفة الوزن مصممة لبيانات الجدول المستندة إلى مؤشر الطقس الناري (FWI)، تلتقط بفعالية تفاعلات الميزات الهيكلية من خلال طبقات الالتفاف بينما تستخدم طبقات متصلة بالكامل للانحدار غير الخطي، مما يجعلها مناسبة لمجموعات البيانات الصغيرة ولكن المعقدة.
تكشف التجارب الواسعة على مجموعة بيانات حرائق الغابات من UCI أن الإطار المقترح BFA-PSO-WOA-CNN-MLP يحقق دقة تنبؤ قريبة من الكمال (R² = 99.89%) ويتفوق على نماذج الأساس المختلفة، بما في ذلك CNN وMLP وLSTM وGRU. تؤكد الدراسة على أهمية طرق التقييم القوية، بما في ذلك التحقق المتقاطع والدراسات التجريبية المنضبطة لضمان تعميم حقيقي للنتائج. بالإضافة إلى ذلك، يوفر دمج تحليل القابلية للتفسير المستند إلى SHAP رؤى شفافة حول تأثير المتغيرات البيئية المختلفة على التنبؤات، مما يعالج الفجوات الحرجة في الأدبيات الحالية بشأن تكرار الميزات، واستراتيجيات التحسين، وقابلية تفسير النموذج في تحليلات حرائق الغابات. يمثل هذا العمل تقدمًا كبيرًا في تطبيق تقنيات التعلم العميق الهجينة والتحسين الميتاهيرستي للبيانات البيئية.
DOI: https://doi.org/10.1038/s41598-026-35836-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41520038
Publication Date: 2026-01-10
Author(s): Mohamed H. Mousa et al.
Primary Topic: Fire effects on ecosystems
Overview
The research presents an optimized hybrid deep learning framework, combining a Convolutional Neural Network (CNN) and a Multilayer Perceptron (MLP) with metaheuristic optimization techniques, aimed at accurately predicting burned areas from forest fires. The study addresses the complexities of fire-weather data, characterized by nonlinear relationships and skewness, by employing a Binary Firefly Algorithm (BFA) for feature selection, which identifies a compact set of informative meteorological and spatial features. Additionally, a hybrid Particle Swarm Optimization-Whale Optimization Algorithm (PSO-WOA) is utilized for hyperparameter tuning, enhancing the model’s performance. Experiments on the UCI Forest Fires dataset reveal that the proposed PSO-WOA-CNN-MLP model significantly outperforms traditional deep learning models, achieving low prediction errors (Mean Squared Error (MSE) = 0.0093, Mean Absolute Error (MAE) = 0.0767, Median Absolute Error (MedAE) = 0.0616, Mean Absolute Percentage Error (MAPE) = 0.0066) and a high coefficient of determination ($R^2 = 99.89\%$).
The study emphasizes the importance of joint optimization in improving model generalization and stability, with the BFA effectively reducing input dimensionality and the PSO-WOA strategy ensuring optimal hyperparameter settings. The hybrid architecture not only enhances prediction accuracy but also provides interpretability, with feature importance analysis indicating that temperature, relative humidity, and drought-related indices are critical for burned-area prediction. The findings suggest that the proposed framework is a promising tool for wildfire risk assessment and management, with future work recommended to incorporate additional environmental variables and validate the model across diverse geographic regions to enhance its applicability.
Introduction
The introduction highlights the growing significance of wildfires as environmental and socioeconomic threats, exacerbated by climate change and human activities in fire-prone areas. These fires lead to loss of life, property damage, and ecological degradation, prompting the need for effective prediction of burned areas to enhance resource allocation and risk management strategies. Traditional methods for predicting burned areas have evolved from empirical models to data-driven approaches, particularly with advancements in machine learning (ML) and deep learning (DL). Notably, studies have shown that non-linear models and hybrid architectures can outperform conventional techniques, yet challenges remain due to the skewed nature of datasets like the UCI Forest Fires dataset, which complicates accurate predictions.
The paper identifies critical gaps in existing research, particularly the lack of integrated frameworks that optimize both feature selection and model hyperparameters for burned-area prediction using tabular fire-danger data. To address these gaps, the authors propose a hybrid deep-learning framework that utilizes the Binary Firefly Optimization Algorithm for feature selection and a hybrid Particle Swarm Optimization-Waterfall Optimization Algorithm for hyperparameter tuning. This unified approach aims to enhance predictive accuracy and robustness by jointly optimizing the preprocessing and modeling stages, thereby advancing the field of wildfire prediction.
Methods
The proposed methodology outlined in this research involves a structured framework for data processing and model optimization, as illustrated in Figure 6. The process begins with data acquisition and preprocessing, which includes normalization and dataset partitioning. It then progresses through four key stages: (1) wrapper-based feature selection utilizing the Best Feature Algorithm (BFA), (2) hyperparameter optimization of various deep learning models through a hybrid Particle Swarm Optimization (PSO) and Whale Optimization Algorithm (WOA). This hybrid approach aims to enhance model performance while minimizing manual tuning efforts.
In the hyperparameter optimization stage, the search space encompasses critical parameters such as learning rate, optimizer type, batch size, training epochs, number of hidden layers, neurons/filters per layer, convolution kernel sizes for CNN and CNN-MLP architectures, as well as dropout probabilities and L2 regularization coefficients. Each candidate solution represents a unique hyperparameter configuration, which is instantiated and trained on the training set using features selected by the BFA. The model’s performance is assessed on a validation set, focusing on minimizing validation Mean Squared Error (MSE), with R² serving as a secondary performance indicator. The experimental setup section emphasizes the importance of transparency and reproducibility in the simulation process, ensuring clarity in how the results were derived.
Discussion
The research presents a novel hybrid optimization strategy combining Particle Swarm Optimization (PSO) and Whale Optimization Algorithm (WOA) for hyperparameter tuning in deep learning models, specifically targeting the prediction of burned areas in forest fires. This approach enhances the balance between global exploration and local exploitation, resulting in improved convergence stability and generalization performance. The study introduces a lightweight CNN-MLP architecture tailored for Fire Weather Index (FWI)-based tabular data, effectively capturing structured feature interactions through convolutional layers while employing fully connected layers for nonlinear regression, making it suitable for small yet complex datasets.
Extensive experiments on the UCI Forest Fires dataset reveal that the proposed BFA-PSO-WOA-CNN-MLP framework achieves near-perfect predictive accuracy (R² = 99.89%) and outperforms various baseline models, including CNN, MLP, LSTM, and GRU. The research emphasizes the importance of robust evaluation methods, incorporating cross-validation and controlled ablation studies to ensure genuine generalization of results. Additionally, the integration of SHAP-based interpretability analysis provides transparent insights into the influence of various environmental variables on predictions, addressing critical gaps in existing literature regarding feature redundancy, optimization strategies, and model interpretability in forest fire analytics. This work represents a significant advancement in the application of hybrid deep learning and metaheuristic optimization techniques for environmental data analysis.