Wildfire spread forecasting with Deep Learning

إليك ملخص تقني مفصل لورقة البحث "التنبؤ بانتشار حرائق الغابات باستخدام التعلم العميق" من إعداد أناستاسيو وآخرون.

1. بيان المشكلة

تشكل حرائق الغابات تهديدات كبيرة لحياة الإنسان، والبنية التحتية، والنظم البيئية، مع تزايد وتيرتها وشدتها بسبب تغير المناخ. ويعد التنبؤ الدقيق بانتشار الحرائق أمراً بالغ الأهمية للاستجابة للطوارئ وتخصيص الموارد. وبينما توجد نماذج قائمة على الفيزياء (مثل WRF-SFIRE) وأنظمة تجريبية، إلا أنها غالباً ما تعتمد على مدخلات أرصاد جوية عالية الدقة يصعب الحصول عليها في الوقت الفعلي، أو تعاني من صعوبة في التعامل مع التفاعلات غير الخطية المعقدة بين الظروف الجوية، وخصائص الوقود، والتضاريس.

تعالج هذه الدراسة التحدي المحدد المتمثل في التنبؤ بالمساحة النهائية للمنطقة المحترقة فور حدوث الاشتعال. والهدف هو تطوير إطار عمل قائم على البيانات للتعلم العميق (DL) يتنبأ بالمحيط النهائي للحريق باستخدام البيانات المتاحة وقت الاشتعال، مع استقصاء كيفية تأثير إدراج السياق الزمني (بيانات ما قبل وما بعد الاشتعال) على دقة التنبؤ.

2. المنهجية

أ. بناء مجموعة البيانات

قام المؤلفون بتطوير مجموعة بيانات جديدة واسعة النطاق وجاهزة للتعلم الآلي مستمدة من مكعب البيانات Mesogeos، تغطي منطقة حوض البحر الأبيض المتوسط (حوالي 3.76 مليون كم²) من عام 2006 إلى عام 2022.

• النطاق: 9,568 حدث حريق.
• الدقة المكانية: 1 كم × 1 كم.
• النافذة الزمنية: تمتد البيانات من 4 أيام قبل الاشتعال إلى 5 أيام بعد الاشتعال (إجمالي 10 خطوات زمنية).
• الميزات المدخلة (27 متغيراً):
  • الديناميكية (متغيرة زمنياً): بيانات الأرصاد الجوية (سرعة الرياح/الاتجاه، درجة الحرارة، الرطوبة، هطول الأمطار، الإشعاع الشمسي)، ومؤشرات الغطاء النباتي (NDVI، LAI)، ورطوبة التربة. تم تفكيك نواقل الرياح إلى مكونات U و V.
  • الاستاتيكية (ثابتة زمنياً): تصنيف غطاء الأرض، والتضاريس (الارتفاع، الميل، الاتجاه، الانحناء)، وموقع نقطة الاشتعال.
• الهدف: قناع تقسيم ثنائي (64 × 64 بكسل) يمثل المساحة النهائية المحترقة (1 = محترق، 0 = غير محترق).
• المعالجة المسبقة: تم تعويض القيم المفقودة (مثل المناطق فوق المسطحات المائية) بالأصفار. تظهر مجموعة البيانات عدم توازن كبير في الفئات، حيث تكون معظم الحرائق صغيرة (أقل من 1,500 هكتار).

ب. بنيات النماذج

قارنت الدراسة عدة بنيات للتعلم العميق لتحديد النهج الأمثل لنمذجة انتشار الحرائق مكانياً وزمنياً:

1. النموذج الأساسي (يوم الاشتعال فقط): نموذج 2D U-Net معدل تم تدريبه فقط على بيانات يوم الاشتعال (26 قناة مدخلة).
2. نموذج 2D U-Net الزمني: نموذج 2D U-Net مدرب على نافذة زمنية كاملة مدتها 10 أيام. تمت معالجة البيانات الزمنية عن طريق تكديس الخطوات الزمنية كقنوات مدخلة (14 متغيراً ديناميكياً × 10 خطوات + 12 متغيراً استاتيكياً = 152 قناة).
3. نموذج 3D U-Net الزمني: نموذج 3D U-Net يستخدم مرشحات تلافيفية ثلاثية الأبعاد لمعالجة الأبعاد المكانية والزمنية في آن واحد، مما يسمح بالنمذجة المباشرة للارتباطات الزمنية.
4. محول الرؤية (ViT): تم اختبار بنية قائمة على آلية الانتباه لتقييم إمكاناتها لهذه المهمة.

التعديلات الهيكلية:

• تم تبسيط نماذج U-Net (بإزالة كتلتين من المشفر/المفكك) لتناسب الدقة المكانية المنخفضة (64 × 64).
• دالة التنشيط: تم استبدال ReLU بـ GELU (وحدة الخطأ الخطي الغاوسي).
• دالة الخسارة: تم استخدام BCEDice Loss (التي تجمع بين الخسارة الثنائية للتقاطع وتقاطع Dice) للتعامل مع عدم توازن الفئات وتحسين التداخل المكاني.

ج. الإعداد التجريبي

• تقسيم البيانات: تم استخدام التقسيم الزمني لمنع تسرب البيانات.
  • التدريب: 2006–2020 (7,619 حدثاً).
  • التحقق: 2021 (841 حدثاً).
  • الاختبار: 2022 (1,101 حدثاً).
• مقاييس التقييم: الدقة (Precision)، الاستدعاء (Recall)، مقياس F1 (درجة Dice)، والتقاطع فوق الاتحاد (IoU).

3. المساهمات الرئيسية

1. مجموعة بيانات مبتكرة: إنشاء مجموعة بيانات منسقة واسعة النطاق (~9,500 حدث) مصممة خصيصاً لتحليل انتشار حرائق الغابات، تدمج بيانات متعددة المصادر (الأقمار الصناعية، الأرصاد الجوية، التضاريس) مع نافذة زمنية محددة.
2. تحليل السياق الزمني: دراسة استئصالية منهجية لتقييم تأثير النوافذ الزمنية المتغيرة (ما قبل وما بعد الاشتعال) على أداء النموذج.
3. مقارنة النماذج: إجراء مقارنة مرجعية شاملة لبنيات الشبكات العصبية التلافيفية (2D/3D U-Net) والمحولات (ViT) للتنبؤ بمدى حريق الغابات.
4. العلم المفتوح: إصدار مجموعة البيانات والتعليمات البرمجية المصدرية للجمهور لتسهيل إعادة الإنتاج والبحث المستقبلي.

4. النتائج

أ. مقارنة أداء النماذج

برز نموذج 10-day 3D U-Net كأفضل النماذج أداءً في مجموعة الاختبار:

• درجة Dice: 53.6% (مقابل 51.7% لـ 10-day 2D U-Net و48.3% للنموذج الأساسي).
• IoU: 36.6% (مقابل 34.8% لـ 2D U-Net و31.9% للنموذج الأساسي).
• أداء ViT: كان محول الرؤية (Vision Transformer) هو الأسوأ أداءً (درجة Dice: 43.7%)، ويرجع ذلك على الأرجية إلى أن حجم مجموعة البيانات غير كافٍ لبنيات المحولات التي تتطلب كميات ضخمة من البيانات.

ب. تأثير النافذة الزمنية

كشفت دراسة استئصالية باستخدام 3D U-Net مع تقليص تدريجي للنوافذ الزمنية لما بعد الاشتعال عن اتجاه واضح:

• النافذة الكاملة (10 أيام): أعلى دقة.
• النوافذ المختصرة: انخفض الأداء مع إزالة بيانات ما بعد الاشتعال. تفوق النموذج الذي استخدم النافذة الكاملة لمدة 10 أيام على نسخة اليوم الواحد بعد الاشتعال بنسبة 6.1% في درجة Dice.
• الاستنتاج: إن إدراج البيانات من الأيام التي تلي الاشتعال (التي تلتقط تطور أنماط الرياح وسلوك الحريق) أمر بالغ الأهمية للتنبؤ بالمدى النهائي بدقة، حتى عندما يكون الهدف هو التنبؤ من نقطة الاشتعال.

ج. الأداء حسب حجم الحريق

• الحرائق الصغيرة/المتوسطة: قدم النموذج أداءً جيداً (Dice ~58-59%) للحرائق التي تصل مساحتها إلى 5,000 هكتار.
• الحرائق الكبيرة: انخفضت الدقة للحرائق التي تزيد مساحتها عن 8,500 هكتار (انخفضت درجة Dice إلى 15.5% لأكبر تجمع). ويعزى ذلك إلى عدم التوازن الشديد في الفئات وندرة عينات التدريب للأحداث الضخمة.

د. التقييم النوعي

أظهرت المقارنات البصرية أن نموذج 10-day 3D U-Net نجح في التقاط الانتشار متباين الخواص (الانتشار الموجه بفعل الرياح والتضاريس)، بينما مال النموذج الأساسي (يوم الاشتعال فقط) إلى التنبؤ بانتشار شعاعي منتظم. حدد النموذج الأفضل حدود الحريق واتجاهه بفعالية، رغم أنه قلل أحياناً من تقدير مدى الحرائق الكبيرة والمعقدة جداً.

5. الأهمية والقيود

الأهمية:

• تثبت هذه الدراسة أن النماذج القائمة على البيانات الصرفة للتعلم العميق يمكنها نمذجة ديناميكيات حرائق الغابات المعقدة بفعالية، متفوقة على النماذج الأساسية البسيطة.
• تسلط الضوء على أن السياق الزمني أمر غير قابل للتفاوض لضمان دقة التنبؤ؛ إذ يجب أن تأخذ النماذج في الاعتبار التغيرات البيئية التي تحدث في الأيام التالية للاشتعال للتنبؤ بالنتيجة النهائية.
• أثبتت بنية 3D U-Net تفوقها على طريقة تكديس 2D وعلى نماذج ViT لهذه المهمة المكانية-الزمانية المحددة بالنظر إلى حجم مجموعة البيانات الحالية.

القيود:

• الجدوى التشغيلية: استخدمت الدراسة ملاحظات الطقس التاريخية الفعلية للفترة ما بعد الاشتعال. في بيئة تشغيلية واقعية، ستتوفر فقط توقعات الطقس، مما يؤدي إلى اختلاف في التوزيع وانخفاض محتمل في الدقة.
• الدقة المكانية: تحد الدقة بمقدار 1 كم من التقاط ديناميكيات الحريق دون الكيلومتر الواحد.
• عدم توازن الفئات: يعاني النموذج من صعوبة في التعامل مع الحرائق الكبيرة جداً بسبب نقص عينات التدريب.
• النافذة الزمنية: قد لا تغطي نافذة الـ 5 أيام بعد الاشتعال مدة الأحداث الكبيرة والمتعددة الأسابيع.

الاتجاهات المستقبلية:
يقترح المؤلفون دمج بيانات غطاء نباتي ذات دقة أعلى، وتطبيق تقنيات زيادة العينات (oversampling) للحرائق الكبيرة لمعالجة عدم التوازن، واستكشاف بنيات هجينة مثل ConvLSTMs لالتقاط التبعيات المكانية-الزمانية المشتركة بشكل أفضل.