DOI: https://doi.org/10.1038/s41598-024-52821-x
PMID: https://pubmed.ncbi.nlm.nih.gov/38297034
تاريخ النشر: 2024-01-31
المؤلف: Dmitrii Shadrin وآخرون
الموضوع الرئيسي: آثار الحرائق على النظم البيئية
نظرة عامة
تتناول ورقة البحث التحدي الحاسم المتمثل في توقع سلوك انتشار الحرائق البرية على نطاق واسع، لا سيما في سياق المناطق الغابية الشاسعة والنائية. يؤكد المؤلفون على أهمية استخدام بيانات الاستشعار عن بعد، وخاصة الصور الفضائية، بالتزامن مع خوارزميات التعلم الآلي المتقدمة لتعزيز قدرات توقع الحرائق البرية. تركز الدراسة على توقع انتشار الحرائق على مدى 1 إلى 5 أيام باستخدام نموذج شبكة عصبية يعتمد على بنية MA-Net، تم تدريبه على مجموعة بيانات فريدة تشمل بيانات بيئية ومناخية. تشير النتائج الرئيسية إلى أن اتجاه الرياح ومعلمات تغطية الأرض هي الميزات الأكثر أهمية التي تؤثر على التوقعات، حيث حقق النموذج درجة F1 تتراوح بين 0.64 إلى 0.68.
تسلط الورقة الضوء على ضرورة تطوير خوارزميات جديدة لمعالجة وتحليل البيانات المكانية بشكل فعال، نظرًا للزيادة المتكررة في حرائق الغابات التي تفاقمت بسبب تغير المناخ العالمي. من خلال دمج مصادر بيانات متعددة، تهدف المنهجية المقترحة إلى تحسين فهم سلوك الحرائق وتحديد المناطق عالية المخاطر. يستنتج المؤلفون أن نهجهم لا يعزز فقط دقة التوقعات ولكن أيضًا يدعم أنظمة المراقبة الطارئة، مما يسهل اتخاذ القرارات السريعة في إدارة الحرائق وجهود التخفيف.
الطرق
تتضمن المنهجية الموضحة في هذا البحث تقدير اتجاه وسرعة الحرائق البرية من خلال دمج البيانات المكانية، والمعلومات التشغيلية حول نقاط اشتعال الحرائق، وبيانات الطقس المتوقعة. تصنف الطريقة الميزات المدخلة إلى ثلاث مجموعات: نقاط الحرائق، الميزات الثابتة، والميزات الديناميكية. تم تنفيذ خطوة معالجة مسبقة لتصفية أحداث الحرائق المستهدفة وتوحيد البيانات لتدريب الشبكة العصبية. تشمل المتغيرات الرئيسية المضمنة في النموذج تلك المتعلقة بالظروف الجوية، مثل الإشعاع الضوئي النشط، ودرجات حرارة سطح الأرض، ومكونات الرياح، من بين أمور أخرى.
يستخدم النموذج شبكة عصبية تلافيفية (CNN) للتنبؤ بالمساحة المحترقة على أساس يومي، مع أفق توقع يبلغ 5 أيام وخطوة توقع لمدة يوم واحد. يتماشى هذا الإطار الزمني مع توفر بيانات جوية عالية الدقة، وهو أمر ضروري لتوقعات الحرائق البرية القصيرة الأجل بدقة. تم تعيين الدقة المكانية لتقدير انتشار الحرائق عند 650 م، تغطي منطقة شبكة تبلغ 21 × 21 كم مركزها نقطة الاشتعال. تم اختيار هذه المنطقة بناءً على تحليل إحصائي يشير إلى أن الحرائق البرية عادة لا تنتشر لأكثر من 10 كم خلال 5 أيام في المناطق الشمالية المدروسة. الهدف الأساسي من هذا العمل هو تعزيز جهود الاستجابة الفورية للحرائق البرية من خلال توقعات دقيقة على المدى القصير، مع الاعتراف بأن دقة التوقع تتناقص على مدى فترات أطول بسبب الأخطاء التراكمية وعدم القدرة على التنبؤ بالبيئة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج مقارنتهم لمختلف هياكل الشبكات العصبية لتوقع انتشار الحرائق على مدى ثلاثة أيام. حققت بنية MA-Net، وخاصة مع دالة خسارة Dice + Focal، أعلى درجة F1 بين ست دالات خسارة مختلفة تم تقييمها. كشفت التجارب الإضافية مع نموذج MA-Net أن دالة الخسارة المثلى، التي تم تحديدها من خلال درجة F1 على مجموعة التحقق، تختلف عبر آفاق التوقع. على وجه التحديد، تم تسجيل أفضل درجة F1 تبلغ 0.68 لليوم الأول باستخدام دالة خسارة Tversky، مع انخفاضات طفيفة إلى 0.67 و0.65 لليوم الثالث والخامس، على التوالي.
بالإضافة إلى ذلك، قام المؤلفون بتقييم أداء النموذج باستخدام مقاييس متوسط الخطأ المطلق (MAE) ومتوسط النسبة المئوية للخطأ المطلق (MAPE)، والتي قدمت رؤى حول المساحة المحترقة المتوقعة. زاد MAE من 9.54 كم² في اليوم الأول إلى 28.2 كم² في اليوم الخامس، مما يعكس المساحة المحترقة الأوسع مع مرور الوقت. كانت قيم MAPE 22.8 لليوم الأول و24.1 لليوم الخامس، مما يشير إلى مقياس أكثر بديهية لأداء النموذج. تشير النتائج إلى إمكانية دمج هذا النموذج في نظام مراقبة الكوارث الطبيعية. تم تقديم تقييمات بصرية لتوقعات النموذج لمختلف أحداث الحرائق البرية، كما قام المؤلفون أيضًا بحساب متوسط سرعة انتشار الحرائق، والتي وُجد أنها 0.74 كم/يوم في اليوم الأول. يقترحون دمج اتجاه انتشار الحريق في دالة الخسارة لتعزيز قدرات النموذج التنبؤية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور منهجيات توقع انتشار الحرائق البرية، مع التأكيد على تميز النهج المقترح مقارنة بالأدبيات الموجودة. تركز الدراسة على توقع انتشار الحرائق على مدى عدة أيام باستخدام مجموعة بيانات من الاتحاد الروسي، والتي تشمل أحداث حرائق موثقة وبيانات جوية. على عكس الدراسات السابقة التي غالبًا ما تعطي الأولوية للتوقعات قصيرة الأجل أو تعتمد بشكل كبير على سيناريوهات حرائق محاكاة، تهدف هذه البحث إلى التوقعات طويلة الأجل، مع معالجة التعقيدات المرتبطة بالحرائق الصغيرة (أقل من 5 كم²) وعدم القدرة الفطرية على التنبؤ بالبيانات الواقعية.
تناقش الورقة أيضًا قدرة النموذج على أخذ المسطحات المائية في الاعتبار، مشيرة إلى أن وجود البحيرات والأنهار يؤثر على سلوك الحريق بسبب الشذوذات الحرارية. تعلم النموذج بشكل فعال تجنب توقع انتشار الحريق فوق الأسطح المائية، مما يظهر مرونته. تؤكد النتائج على أهمية العوامل الجوية في توقعات انتشار الحرائق، حيث حقق النموذج درجة F1 تبلغ 0.67 أثناء الاختبار. تساهم هذه البحث في تطوير خوارزميات متقدمة لإدارة الحرائق البرية، مما يشير إلى تطبيقات محتملة في أنظمة المراقبة الطارئة لتعزيز عمليات اتخاذ القرار في جهود التخفيف من الحرائق.
القيود
تُبرز القيود المفروضة على نموذج توقع الحرائق البرية المطور من خلال تحليل مقارن عبر مناطق مختلفة، تحديدًا بين منطقة روستوف ومنطقة إيركوتسك. بينما أظهر النموذج درجة F1 مشرفة تبلغ 0.85 ودرجة تقاطع على اتحاد (IoU) تبلغ 0.74 لمنطقة إيركوتسك—على الرغم من أنها لم تكن جزءًا من مجموعة التدريب—كانت مقاييس الأداء لمنطقة روستوف أقل بكثير، حيث كانت درجة F1 تبلغ 0.65 وIoU تبلغ 0.48. يُعزى هذا التباين إلى تدريب النموذج على المناطق الشمالية، والتي قد لا تلتقط بشكل كافٍ الظروف البيئية الفريدة الموجودة في المناطق الجنوبية مثل روستوف.
لتحسين دقة التوقع، يوصي المؤلفون بمزيد من تدريب النموذج باستخدام بيانات من مناطق تظهر اختلافات بيئية كبيرة. كما يؤكدون على أهمية دمج خرائط تغطية الأرض واستخدام الأراضي عالية الدقة في إطار التوقع، حيث تعتبر خرائط الوقود التفصيلية ضرورية لفهم ديناميات الحرائق البرية. بالإضافة إلى ذلك، تم تحديد دقة البيانات الجوية كقيود، مما يشير إلى أن استخدام تقنيات الفائقة الدقة لتوقعات الطقس يمكن أن يحسن دقة توقعات انتشار الحرائق في الأبحاث المستقبلية.
DOI: https://doi.org/10.1038/s41598-024-52821-x
PMID: https://pubmed.ncbi.nlm.nih.gov/38297034
Publication Date: 2024-01-31
Author(s): Dmitrii Shadrin et al.
Primary Topic: Fire effects on ecosystems
Overview
The research paper addresses the critical challenge of predicting wildfire spread behavior on a large scale, particularly in the context of vast and remote forested areas. The authors emphasize the importance of utilizing remote sensing data, particularly satellite imagery, in conjunction with advanced machine learning algorithms to enhance wildfire prediction capabilities. The study focuses on forecasting fire spread over a 1 to 5-day horizon using a neural network model based on the MA-Net architecture, trained on a unique dataset that includes environmental and climate data. Key findings indicate that wind direction and land cover parameters are the most significant features influencing predictions, with the model achieving an F1-score ranging from 0.64 to 0.68.
The paper highlights the necessity of developing new algorithms for effective spatial data processing and analysis, given the increasing frequency of wildfires exacerbated by global climate change. By integrating multimodal data sources, the proposed methodology aims to improve understanding of fire behavior and identify high-risk areas. The authors conclude that their approach not only enhances predictive accuracy but also supports emergency monitoring systems, thereby facilitating rapid decision-making in fire management and mitigation efforts.
Methods
The methodology outlined in this research focuses on estimating the direction and speed of wildfires by integrating spatial data, operational information about fire ignition points, and forecast weather data. The approach categorizes input features into three groups: fire points, static features, and dynamic features. A preprocessing step was implemented to filter target fire events and standardize the data for neural network training. Key variables included in the model are related to meteorological conditions, such as photosynthetically active radiation, land surface temperatures, and wind components, among others.
The model employs a convolutional neural network (CNN) to predict the burned area on a daily basis, with a forecast horizon of 5 days and a prediction step of 1 day. This timeframe aligns with the availability of high-resolution meteorological data, which is essential for accurate short-term wildfire predictions. The spatial resolution of the fire spread estimation is set at 650 m, covering a grid area of 21 × 21 km centered on the ignition point. This area was selected based on statistical analysis indicating that wildfires typically do not spread beyond 10 km within 5 days in the studied northern regions. The primary objective of this work is to enhance immediate wildfire response efforts through precise short-term forecasting, acknowledging that prediction accuracy diminishes over longer periods due to cumulative errors and environmental unpredictability.
Results
In this section, the authors present the results of their comparison of various neural network architectures for forecasting fire spread over a three-day period. The MA-Net architecture, particularly with the Dice + Focal loss function, achieved the highest F1-score among six different loss functions evaluated. Further experiments with the MA-Net model revealed that the optimal loss function, determined by the F1-score on the validation subset, varied across forecasting horizons. Specifically, the best F1-score of 0.68 was recorded for the first day using the Tversky loss function, with slight decreases to 0.67 and 0.65 for the third and fifth days, respectively.
Additionally, the authors assessed the model’s performance using Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) metrics, which provided insights into the predicted burned area. The MAE increased from 9.54 sq km on the first day to 28.2 sq km on the fifth day, reflecting the broader burned area over time. MAPE values were 22.8 for the first day and 24.1 for the fifth day, indicating a more intuitive measure of model performance. The results suggest potential for integrating this model into a natural disaster monitoring system. Visual assessments of the model’s predictions for various wildfire events are provided, and the authors also computed the average wildfire spreading velocity, which was found to be 0.74 km/day on the first day. They propose incorporating the direction of fire spread into the loss function to enhance the model’s predictive capabilities.
Discussion
The discussion section of the research paper highlights the evolution of wildfire spread forecasting methodologies, emphasizing the distinctiveness of the proposed approach compared to existing literature. The study focuses on predicting fire spread over several days using a dataset from the Russian Federation, which includes verified fire events and meteorological data. Unlike previous studies that often prioritize short-term predictions or rely heavily on simulated fire scenarios, this research aims for long-term forecasting, addressing the complexities associated with small fires (less than 5 km²) and the inherent unpredictability of real-world data.
The paper also discusses the model’s ability to account for water bodies, noting that the presence of lakes and rivers influences fire behavior due to temperature anomalies. The model effectively learned to avoid predicting fire spread over water surfaces, demonstrating its adaptability. The findings underscore the importance of meteorological factors in fire spread predictions, with the model achieving an F1-score of 0.67 during testing. This research contributes to the development of advanced algorithms for wildfire management, suggesting potential applications in emergency monitoring systems to enhance decision-making processes in fire mitigation efforts.
Limitations
The limitations of the developed wildfire prediction model are highlighted through comparative analysis across different regions, specifically between Rostov oblast and Irkutsk region. While the model demonstrated a commendable F1-score of 0.85 and an Intersection over Union (IoU) of 0.74 for the Irkutsk region—despite it not being part of the training subset—performance metrics for the Rostov region were notably lower, with an F1-score of 0.65 and IoU of 0.48. This discrepancy is attributed to the model’s training on northern regions, which may not adequately capture the unique environmental conditions present in southern regions like Rostov.
To enhance prediction accuracy, the authors recommend further training of the model with data from regions exhibiting significant environmental differences. They also emphasize the importance of integrating high-resolution land cover and land use maps into the prediction framework, as detailed fuel maps are crucial for understanding wildfire dynamics. Additionally, the spatial resolution of weather forecasting data is identified as a limitation, suggesting that employing super-resolution techniques for weather forecasts could improve the precision of fire spread predictions in future research.