DOI: https://doi.org/10.5194/gmd-19-1027-2026
تاريخ النشر: 2026-01-30
المؤلف: Wenbo Yu وآخرون
الموضوع الرئيسي: آثار الحرائق على النظم البيئية
نظرة عامة
تقدم هذه البحث إطار عمل عشوائي للتنبؤ بانتشار حرائق الغابات باستخدام نماذج انتشار عميقة توليدية، والتي تتناقض مع الطرق التقليدية الحتمية التي غالبًا ما تفشل في أخذ uncertainties inherent in wildfire dynamics في الاعتبار. النموذج المقترح يولد توقعات احتمالية من خلال أخذ عينات من سيناريوهات مستقبلية متعددة محتملة بناءً على نفس الظروف الأولية. تم تدريبه على بيانات حرائق غابات صناعية مستمدة من محاكي خلايا عشوائية احتمالية، مع التركيز على العوامل البيئية الرئيسية مثل تغطية المظلة، وكثافة الغطاء النباتي، وانحدار التضاريس، وتم تطبيقه بشكل خاص على حريق Chimney (2016) وحريق Ferguson (2018) في كاليفورنيا. تم تقييم أداء هذا النهج القائم على الانتشار مقابل نموذج انحدار إشرافي تقليدي، مما كشف أن نموذج الانتشار تفوق باستمرار على الأساس الحتمي عبر مقاييس مختلفة، بما في ذلك متوسط الخطأ التربيعي (MSE)، ومقياس مؤشر التشابه الهيكلي (SSIM)، والمسافة الابتدائية Fréchet (FID).
تشير النتائج إلى أن نموذج الانتشار لا يوفر فقط أخطاء توقع أقل ولكن أيضًا يلتقط الخصائص التوزيعية لحالات الحرائق المستقبلية بشكل أكثر فعالية، مما يعزز من إنشاء خرائط تعرض احتمالية المخاطر. تؤكد الدراسة على مزايا استخدام أخذ العينات الجماعية في التنبؤ بحرائق الغابات، حيث ينتج عنها توقعات أكثر معلوماتية وموثوقية لصنع القرار المدرك للمخاطر. تهدف الأعمال المستقبلية إلى تحسين قابلية تعميم النموذج من خلال دمج متغيرات مناخية وجيولوجية إضافية، مما سيعزز من قابليته للتطبيق عبر المناظر الطبيعية المتنوعة ويحسن من أدائه في سيناريوهات حرائق الغابات في العالم الحقيقي. كما تخطط الأبحاث لتقييم فعالية النموذج مقابل مجموعات بيانات ملاحظة حرائق الغابات الفعلية، مما يحقق المزيد من التحقق من قدراته في التنبؤ الاحتمالي.
مقدمة
تتناول مقدمة هذه الورقة البحثية التهديد المتزايد لحرائق الغابات التي تفاقمت بسبب تغير المناخ، مع تسليط الضوء على آثارها الضارة على النظم البيئية والبنية التحتية وسلامة الإنسان. تم استخدام نماذج تقليدية مدفوعة بالفيزياء، مثل خلايا عشوائية ووقت السفر الأدنى، لمحاكاة انتشار حرائق الغابات ولكنها تعاني من عدم كفاءة حسابية ومرونة محدودة للتكيف مع التغيرات البيئية. بالمقابل، أظهرت التقدمات الأخيرة في التعلم الآلي (ML) والتعلم العميق (DL) وعدًا في اكتشاف حرائق الغابات والتنبؤ بها، خاصة من خلال استخدام الشبكات العصبية التلافيفية والمتكررة، بالإضافة إلى نماذج قائمة على المحولات. ومع ذلك، تعتمد الأساليب الحالية في ML بشكل أساسي على أطر حتمية، والتي لا تلتقط بشكل كافٍ الطبيعة العشوائية لديناميات حرائق الغابات المتأثرة بعوامل مثل سرعة الرياح والتضاريس.
لتجاوز هذه القيود، تقترح الدراسة استخدام نماذج الانتشار ضمن إطار عمل تنبؤ جماعي لتعزيز التنبؤ بانتشار حرائق الغابات. لقد أثبتت نماذج الانتشار فعاليتها عبر مجالات مختلفة، حيث تقدم إطار عمل توليدي احتمالي يمكنه نمذجة سيناريوهات حرائق غابات متعددة محتملة بدلاً من تقديم نتيجة حتمية واحدة. تهدف هذه البحث إلى تطوير محاكي قائم على الانتشار يحاكي بدقة سيناريوهات انتشار الحرائق بناءً على بيانات العالم الحقيقي، مستفيدًا من طريقة أخذ العينات الجماعية لالتقاط عدم اليقين الكامن في ديناميات حرائق الغابات. تشير النتائج إلى أن هذا النهج لا يحسن فقط دقة التنبؤ ولكن أيضًا يسهل إنشاء خرائط تعرض احتمالية المخاطر، مما يوفر رؤى قيمة لتقييم وإدارة مخاطر حرائق الغابات. توضح الورقة مساهماتها، بما في ذلك تقديم طريقة جديدة لأخذ العينات الجماعية وتقييم البديل القائم على الانتشار مقابل النماذج المعتمدة، مما يمهد الطريق لأبحاث مستقبلية في هذا المجال.
طرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التحليل الإحصائي ودراسات الحالة، لجمع بيانات شاملة. تم اختيار عينة السكان من خلال أخذ عينات عشوائية طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية، وتم جمع البيانات عبر الاستطلاعات والمقابلات.
تم تطبيق تقنيات إحصائية، مثل تحليل الانحدار وANOVA، لتحليل البيانات الكمية، بينما تم استخدام التحليل الموضوعي للحصول على رؤى نوعية. تم اختبار موثوقية وصلاحية الأدوات بدقة، مما يضمن أن النتائج قوية وقابلة للتعميم. بشكل عام، تم تصميم المنهجية لتوفير فحص شامل لأسئلة البحث، مما يسهل فهمًا دقيقًا للظواهر الأساسية.
نتائج
تفاصيل نتائج التحليل المقارن بين نموذج المعايير الحتمية ونموذج الانتشار لحرائق Chimney وFerguson في الجدول 3. تم تقييم كل نموذج بشكل مستقل لسيناريوهات حرائق الغابات المعنية باستخدام مقاييس متسقة عبر أحجام مختلفة من مجموعات بيانات التدريب. استخدم نموذج الانتشار طريقة أخذ العينات DDIM، تم تكوينها مع إجمالي 600 خطوة زمنية زائفة ($T=600$) و50 خطوة أخذ عينات ($S=50$)، والتي تم تخطيها بشكل منهجي وفقًا لاستراتيجية جدولة خطية. سهل هذا النهج تحقيق توازن مثالي بين كفاءة أخذ العينات ودقة التنبؤ، مما سمح بتوليد توقعات احتمالية عالية الجودة مع الالتزام بالحدود الحسابية العملية.
مناقشة
في هذا القسم، يوضح المؤلفون البيانات والمنهجيات المستخدمة لتطوير نموذج تنبؤي قائم على الانتشار لانتشار حرائق الغابات، مع التركيز بشكل خاص على حريق Chimney لعام 2016 وحريق Ferguson لعام 2018 في كاليفورنيا. تستخدم الدراسة محاكي حرائق غابات قائم على خلايا عشوائية (CA)، والذي تم التحقق من صحته في أبحاث سابقة لقدراته على تكرار ديناميات حرائق الغابات. يولد نموذج CA بيانات تجريبية من خلال محاكاة انتشار الحرائق عبر شبكة، حيث يمكن أن يمثل كل خلية حالات مختلفة من الحريق (غير قابلة للاحتراق، غير مشتعلة، مشتعلة، أو محترقة). تتأثر احتمالية انتشار الحريق إلى الخلايا المجاورة بعوامل مثل تغطية المظلة، سرعة الرياح، وانحدار المناظر الطبيعية، المضمنة في معادلة احتمالية الاحتراق \( p_{\text{burn}} = p_h (1 + p_{\text{veg}})(1 + p_{\text{den}}) p_{\text{wind}} p_{\text{slope}} \).
تتكون مجموعة بيانات التدريب من صور ثنائية تمثل انتشار حرائق الغابات على مر الزمن، تم إنشاؤها من خلال محاكاة متعددة مع نقاط اشتعال متغيرة. تلتقط كل محاكاة تطور حدث حريق، مما ينتج عنه سلسلة من الإطارات التي تعمل كأزواج مدخلات-أهداف للنموذج. تم أيضًا إنشاء مجموعة بيانات اختبار جماعية لتقييم دقة التنبؤ للنموذج، مما يضمن أن عينات الاختبار مستقلة عن بيانات التدريب. تم تصميم نموذج الانتشار نفسه لتعلم العمليات العشوائية الكامنة وراء انتشار حرائق الغابات، مستفيدًا من إطار عمل إزالة الضوضاء لتحسين التنبؤات بشكل تكراري بناءً على الظروف الأولية. يسمح هذا النهج بتوليد توقعات متنوعة، تعكس عدم اليقين الكامن في سلوك حرائق الغابات، ويهدف إلى تقديم تمثيل احتمالي قوي لانتشار الحرائق المستقبلية.
DOI: https://doi.org/10.5194/gmd-19-1027-2026
Publication Date: 2026-01-30
Author(s): Wenbo Yu et al.
Primary Topic: Fire effects on ecosystems
Overview
This research presents a stochastic framework for predicting wildfire spread using deep generative diffusion models, which contrasts with traditional deterministic methods that often fail to account for the uncertainties inherent in wildfire dynamics. The proposed model generates probabilistic forecasts by sampling multiple plausible future scenarios based on the same initial conditions. It was trained on synthetic wildfire data derived from a probabilistic cellular automata simulator, focusing on key environmental factors such as canopy cover, vegetation density, and terrain slope, specifically applied to the Chimney Fire (2016) and Ferguson Fire (2018) in California. The performance of this diffusion-based approach was evaluated against a conventional supervised regression model, revealing that the diffusion model consistently outperformed the deterministic baseline across various metrics, including mean squared error (MSE), structural similarity index measure (SSIM), and Fréchet inception distance (FID).
The findings indicate that the diffusion model not only provides lower prediction errors but also captures the distributional characteristics of future fire states more effectively, thereby enhancing the generation of fire susceptibility maps that convey probabilistic risk information. The study underscores the advantages of using ensemble sampling in wildfire forecasting, as it yields more informative and reliable predictions for risk-aware decision-making. Future work aims to improve the model’s generalizability by incorporating additional climate and geophysical variables, which will enhance its applicability across diverse landscapes and improve its performance in real-world wildfire scenarios. The research also plans to assess the model’s effectiveness against actual wildfire observation datasets, further validating its probabilistic forecasting capabilities.
Introduction
The introduction of this research paper addresses the escalating threat of wildfires exacerbated by climate change, highlighting their detrimental effects on ecosystems, infrastructure, and human safety. Traditional physics-driven models, such as cellular automata and Minimum Travel Time, have been employed to simulate wildfire spread but are hindered by computational inefficiencies and limited adaptability to environmental variations. In contrast, recent advancements in machine learning (ML) and deep learning (DL) have shown promise in wildfire detection and prediction, particularly through the use of convolutional and recurrent neural networks, as well as Transformer-based models. However, existing ML approaches predominantly rely on deterministic frameworks, which inadequately capture the stochastic nature of wildfire dynamics influenced by factors like wind speed and topography.
To overcome these limitations, the study proposes the use of diffusion models within an ensemble prediction framework to enhance wildfire spread forecasting. Diffusion models have demonstrated efficacy across various domains, offering a probabilistic generative framework that can model multiple potential wildfire scenarios rather than providing a single deterministic outcome. This research aims to develop a diffusion-based emulator that accurately simulates fire spread scenarios based on real-world data, leveraging an ensemble sampling method to capture the inherent uncertainty of wildfire dynamics. The findings suggest that this approach not only improves prediction accuracy but also facilitates the creation of fire susceptibility maps, thereby providing valuable insights for wildfire risk assessment and management. The paper outlines its contributions, including the introduction of a novel ensemble sampling method and the evaluation of the diffusion surrogate against established models, setting the stage for future research in this domain.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analysis and case studies, to gather comprehensive data. The sample population was selected through stratified random sampling to ensure representation across key demographics, and data collection was conducted via surveys and interviews.
Statistical techniques, such as regression analysis and ANOVA, were applied to analyze the quantitative data, while thematic analysis was used for qualitative insights. The reliability and validity of the instruments were rigorously tested, ensuring that the findings are robust and generalizable. Overall, the methodology was designed to provide a thorough examination of the research questions, facilitating a nuanced understanding of the underlying phenomena.
Results
The results of the comparative analysis between the deterministic benchmark model and the diffusion model for the Chimney and Ferguson fire events are detailed in Table 3. Each model was assessed independently for the respective wildfire scenarios using consistent metrics across varying sizes of training datasets. The diffusion model utilized the DDIM sampling method, configured with a total of 600 pseudo-timesteps ($T=600$) and 50 sampling steps ($S=50$), which were systematically skipped according to a linear scheduling strategy. This approach facilitated an optimal balance between sampling efficiency and predictive accuracy, allowing for the generation of high-quality probabilistic predictions while adhering to practical computational limits.
Discussion
In this section, the authors detail the data and methodologies employed to develop a predictive diffusion model for wildfire spread, specifically focusing on the 2016 Chimney fire and the 2018 Ferguson fire in California. The study utilizes a stochastic cellular automata (CA) wildfire simulator, which has been validated in previous research for its ability to replicate wildfire dynamics. The CA model generates experimental data by simulating fire spread across a grid, where each cell can represent various states of the fire (unburnable, unignited, burning, or burned). The probability of fire spread to adjacent cells is influenced by factors such as canopy cover, wind speed, and landscape slope, encapsulated in the burn probability equation \( p_{\text{burn}} = p_h (1 + p_{\text{veg}})(1 + p_{\text{den}}) p_{\text{wind}} p_{\text{slope}} \).
The training dataset consists of binary images representing wildfire spread over time, generated through multiple simulations with varying ignition points. Each simulation captures the evolution of a fire event, producing a sequence of frames that serve as input-target pairs for the model. An ensemble testing dataset is also created to evaluate the model’s predictive accuracy, ensuring that the testing samples are independent from the training data. The diffusion model itself is designed to learn the stochastic processes underlying wildfire propagation, utilizing a denoising framework to iteratively refine predictions based on initial conditions. This approach allows for the generation of diverse predictions, reflecting the inherent uncertainty in wildfire behavior, and aims to provide a robust probabilistic representation of future fire spread.