DOI: https://doi.org/10.1038/s41467-025-63386-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40877289
تاريخ النشر: 2025-08-28
المؤلف: Maryam Zamanialaei وآخرون
الموضوع الرئيسي: آثار الحرائق على النظم البيئية
نظرة عامة
تُشكل الزيادة في تكرار وشدة حرائق الغابات، لا سيما في واجهة الغابات الحضرية في كاليفورنيا، تهديدات كبيرة للناس والممتلكات والبيئة. تبحث هذه الدراسة في التأثيرات المشتركة لعوامل مختلفة تؤثر على حماية المباني من الحرائق خلال خمس حرائق تاريخية رئيسية في واجهة الغابات الحضرية: حرائق توبس 2017، وتوماس 2017، وكامب 2018، وكينكيد 2019، وزجاج 2020. من خلال استخدام تقنيات التعلم الآلي، وبشكل خاص مصنف XGBoost، تحلل البحث بيانات ما بعد الحريق، والاستشعار عن بعد، ونمذجة إعادة بناء الحرائق لتحديد أنماط فقدان الهياكل وفعالية استراتيجيات التخفيف. تكشف النتائج أن المسافة بين الهياكل هي عامل حاسم في تحديد خطر الحريق، حيث تتوسط ترتيب الهياكل، والتعرض للحريق، ومقاومة الاشتعال (التقوية)، والمساحة القابلة للدفاع بشكل جماعي هذا الخطر.
تظهر الدراسة أن إمكانية بقاء الهياكل يمكن التنبؤ بها بدقة تصل إلى 82%، مما يبرز التأثير الكبير للتقوية والمساحة القابلة للدفاع، والتي يمكن أن تقلل افتراضياً من الخسائر بنسبة 52%. تسلط النتائج الضوء على الحاجة الملحة لجهود التخفيف على مستوى المجتمع لتعزيز القدرة على الصمود ضد حرائق واجهة الغابات الحضرية المستقبلية، حيث يستمر نمو التنمية الحضرية في هذه المناطق الضعيفة في التصاعد. تؤكد البحث على أهمية تنفيذ تدابير التخفيف الفعالة لحماية الأرواح والممتلكات في مواجهة التهديدات المتزايدة من حرائق الغابات.
الطرق
في هذه الدراسة، استخدمنا قاعدة بيانات معدلة تشمل أكثر من 47,000 هيكل تأثرت بخمس حرائق مختارة، مصنفة إلى حالتين واسعتي النطاق من الأضرار – “نجت” و”تدمير” – وخمس حالات أضرار مفصلة، بما في ذلك مستويات مختلفة من الأضرار وعدم وجود أضرار. تم الحصول على البيانات من برنامج تفتيش الأضرار التابع لـ CAL FIRE، الذي يهدف إلى توثيق حالة الهياكل أثناء وبعد أحداث الحرائق للمساعدة في جهود التعافي وإبلاغ تحليلات بقاء الهياكل. من خلال طلب السجلات العامة، حصلنا على بيانات عن أكثر من 90,000 هيكل من حرائق الغابات في كاليفورنيا بين عامي 2013 و2022، مما أنشأ مجموعة بيانات قد تكون غير مسبوقة لهذا النوع من الأبحاث.
لتحليل العوامل المؤثرة على تدمير الهياكل في واجهة الغابات الحضرية، دمجنا عوامل الخطر مثل كثافة الهياكل، ومواد البناء، وسنة البناء، والمساحة القابلة للدفاع، والتعرض لشدة الحريق والشرر في بيانات DINS. استخدمنا تقنيات التعلم الآلي المختلفة، بما في ذلك اختيار الميزات، وهندسة الميزات، وتفسير النموذج، لتحديد المتغيرات الرئيسية التي تؤثر على نتائجنا. تم تنفيذ خطوات معالجة البيانات، مثل التنظيف، والتطبيع، والترميز، لتعزيز دقة النموذج وقوته. تم اختيار خوارزمية XGBoost لأدائها المتفوق، مدعومة بنموذج SHAP لتقييم مساهمات المتغيرات في التنبؤات. شمل تقييمنا مصفوفات الالتباس ومنحنيات التشغيل المستقبلي (ROC)، مما سمح بفهم مفصل لأداء النموذج على كل من الحرائق الفردية ومجموعة البيانات العامة، مما يكشف عن علاقات معقدة داخل البيانات.
النتائج
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات تفتيش الأضرار (DINS)، التي تم تجميعها بواسطة CAL FIRE، والتي تشمل بيانات عن الهياكل المتأثرة بحرائق الغابات في كاليفورنيا من 2013 إلى 2022. ركزوا على خمس حرائق غابات كبيرة – توبس، توماس، كامب، كينكيد، وزجاج – حيث قاموا بتحليل حوالي 47,000 هيكل للتنبؤ بنتائج البقاء باستخدام نماذج التعلم الآلي. تم تحديد مصنف XGBoost كأكثر نموذج فعالية، حيث حقق دقة تصل إلى 82% في التنبؤ ببقاء الهياكل، متفوقًا على نماذج أخرى مثل الانحدار اللوجستي، والغابات العشوائية، وCatBoost. كما سلطت الدراسة الضوء على أهمية اختيار الخوارزميات المناسبة بناءً على خصائص مجموعة البيانات وقدمت تقييمًا شاملاً لأداء النموذج من خلال مقاييس مثل الدقة، والدقة، والمساحة تحت منحنى ROC (AUC).
استكشف المؤلفون سيناريوهات التخفيف المختلفة، بما في ذلك تقوية المنازل وتنظيف المساحات القابلة للدفاع، لتقييم تأثيرها على معدلات بقاء الهياكل. أشارت النتائج إلى أن تنفيذ تدابير السلامة من الحرائق يمكن أن يعزز بشكل كبير معدلات البقاء، حيث أسفر النهج المشترك لتقوية المنازل وتنظيف المساحات القابلة للدفاع في كل من المناطق 0 و1 عن معدل بقاء قدره 48% وتقليل فقدان الهياكل إلى 52%. ومع ذلك، حذر المؤلفون من أن هذه النتائج هي تقديرات نظرية ولا تأخذ في الاعتبار تأثير استراتيجيات مكافحة الحرائق، التي قد تغير النتائج في العالم الحقيقي. بشكل عام، تؤكد الدراسة على إمكانيات التعلم الآلي في التنبؤ بتأثيرات حرائق الغابات وأهمية استراتيجيات التخفيف الفعالة في تعزيز قدرة الهياكل على الصمود.
المناقشة
توضح قسم المناقشة في ورقة البحث النتائج من دراسة أعادت بناء خمس حرائق غابات باستخدام نموذج ELMFIRE لتقدير بيانات التعرض الحرجة، مثل طول اللهب وترسب الشرر، بجوار 47,000 هيكل. كشفت التحليلات أن الهياكل التي نجت من الحرائق شهدت انخفاضًا بنسبة 27% في التعرض للهب وانخفاضًا بنسبة 39% في التعرض للشرر مقارنة بتلك التي تضررت. ومع ذلك، كانت هذه الانخفاضات نسبية مقارنة بالدمار العام، مما يشير إلى أن عوامل إضافية تؤثر على بقاء الهياكل. استخدمت الدراسة مصنف XGBoost وتحليل SHAP لتحديد الميزات الرئيسية التي تساهم في فقدان الهياكل، حيث ظهرت مسافة فصل الهياكل (SSD) كأهم متنبئ، تليها التغطية الخارجية وسنة البناء. تشير النتائج إلى أنه بينما تعتبر تقوية الهياكل والحفاظ على المساحات القابلة للدفاع أمرًا حاسمًا، فإن قرب الهياكل يبقى عامل خطر حاسم لا يمكن تغييره.
تؤكد البحث على أهمية نهج شامل لتقييم مخاطر الحرائق، يجمع بين ميزات متعددة مثل مواد البناء، وفصل النباتات، وكثافة الهياكل. تشير النتائج إلى أن استراتيجيات التخفيف على مستوى المجتمع، بدلاً من التركيز فقط على الهياكل الفردية، يمكن أن تعزز بشكل كبير القدرة على الصمود ضد حرائق الغابات. كما تسلط الدراسة الضوء على قيود البيانات الحالية، لا سيما الاعتماد على التقييمات بعد الحرائق، التي قد لا تلتقط جميع العوامل ذات الصلة التي تؤثر على أضرار الحرائق. بشكل عام، تدعو البحث إلى تحسين جمع البيانات ومنهجيات تقييم المخاطر لإبلاغ تخطيط استخدام الأراضي وجهود استعداد المجتمع، بهدف تقليل الخسائر في المناطق المعرضة لحرائق الغابات.
DOI: https://doi.org/10.1038/s41467-025-63386-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40877289
Publication Date: 2025-08-28
Author(s): Maryam Zamanialaei et al.
Primary Topic: Fire effects on ecosystems
Overview
The increasing frequency and severity of wildfires, particularly in California’s Wildland-Urban Interface (WUI), pose significant threats to people, property, and the environment. This study investigates the combined effects of various factors influencing structure fire protection during five major historical WUI fires: the 2017 Tubbs, 2017 Thomas, 2018 Camp, 2019 Kincade, and 2020 Glass Fires. By employing machine learning techniques, specifically an XGBoost classifier, the research analyzes post-fire data, remote sensing, and fire reconstruction modeling to identify patterns of structure loss and the effectiveness of mitigation strategies. The findings reveal that the spacing between structures is a critical determinant of fire risk, with structure arrangement, fire exposure, ignition resistance (hardening), and defensible space collectively mediating this risk.
The study demonstrates that structure survivability can be predicted with an accuracy of 82%, underscoring the significant impact of hardening and defensible space, which could hypothetically reduce losses by 52%. The results highlight the urgent need for community-level mitigation efforts to enhance resilience against future WUI fires, as the growth of urban development in these vulnerable areas continues to escalate. The research emphasizes the importance of implementing effective mitigation measures to safeguard lives and property in the face of increasing wildfire threats.
Methods
In this study, we utilized a modified database encompassing over 47,000 structures affected by five selected wildfires, categorizing them into two broad damage states—”Survived” and “Destroyed”—and five detailed damage states, including various levels of damage and no damage. The data was sourced from the CAL FIRE Damage Inspection Program (DINS), which aims to document the status of structures during and after fire events to aid recovery efforts and inform analyses of structural survival. Through a public records request, we obtained data on more than 90,000 structures from California wildfires between 2013 and 2022, creating a potentially unprecedented dataset for this type of research.
To analyze the factors influencing structure destruction in the Wildland-Urban Interface (WUI), we integrated risk factors such as structure density, building materials, year built, defensible space, and exposure to fire intensity and embers into the DINS data. We employed various Machine Learning (ML) techniques, including feature selection, feature engineering, and model interpretation, to identify key variables affecting our results. Data preprocessing steps, such as cleaning, normalization, and encoding, were implemented to enhance model accuracy and robustness. The XGBoost algorithm was selected for its superior performance, complemented by the SHAP model for assessing variable contributions to predictions. Our evaluation included Confusion Matrices and Receiver Operating Characteristic (ROC) Curves, allowing for a detailed understanding of model performance on both individual fires and the overall dataset, thereby revealing complex relationships within the data.
Results
In this study, the authors utilized the Damage INSpection (DINS) Dataset, compiled by CAL FIRE, which includes data on structures affected by wildfires in California from 2013 to 2022. They focused on five significant wildfires—Tubbs, Thomas, Camp, Kincade, and Glass—analyzing approximately 47,000 structures to predict survival outcomes using machine learning models. The XGBoost Classifier was identified as the most effective model, achieving an accuracy of 82% in predicting structure survival, outperforming other models such as Logistic Regression, Random Forest, and CatBoost. The study also highlighted the importance of selecting appropriate algorithms based on dataset characteristics and provided a comprehensive evaluation of model performance through metrics such as accuracy, precision, and area under the ROC curve (AUC).
The authors explored various mitigation scenarios, including home hardening and defensible space clearing, to assess their impact on structure survival rates. The results indicated that implementing fire-safe measures could significantly enhance survival rates, with a combined approach of home hardening and defensible space clearing in both Zones 0 and 1 yielding a survival rate of 48% and reducing structure loss to 52%. However, the authors cautioned that these findings are theoretical estimates and do not account for the effects of firefighting strategies, which could alter real-world outcomes. Overall, the study underscores the potential of machine learning in predicting wildfire impacts and the importance of effective mitigation strategies in enhancing structure resilience.
Discussion
The discussion section of the research paper outlines the findings from a study that reconstructed five wildfires using the ELMFIRE level-set model to estimate critical exposure data, such as flame length and ember deposition, adjacent to 47,000 structures. The analysis revealed that structures that survived the fires experienced a 27% reduction in flame exposure and a 39% reduction in ember exposure compared to those that were damaged. However, these decreases were relatively minor compared to the overall destruction, indicating that additional factors influence structure survival. The study employed an XGBoost Classifier and SHAP analysis to identify key features contributing to structure loss, with Structure Separation Distance (SSD) emerging as the most significant predictor, followed by exterior siding and year built. The findings suggest that while hardening structures and maintaining defensible space are crucial, the proximity of structures remains a critical risk factor that cannot be altered.
The research emphasizes the importance of a holistic approach to fire risk assessment, integrating multiple features such as building materials, vegetation separation, and structural density. The results indicate that community-wide mitigation strategies, rather than focusing solely on individual structures, could significantly enhance resilience against wildfires. The study also highlights the limitations of existing data, particularly the reliance on post-fire assessments, which may not capture all relevant factors influencing fire damage. Overall, the research advocates for improved data collection and risk assessment methodologies to inform land-use planning and community preparedness efforts, ultimately aiming to reduce losses in wildfire-prone areas.