10/04/2026
0Источник: ENGINEERING Environment
Newswise — Прогнозирование распространения лесных пожаров в режиме реального времени остается одной из самых сложных задач в управлении чрезвычайными ситуациями. Традиционные статистические, полуэмпирические и физические модели могут предоставить ценную информацию, но часто требуют больших вычислительных мощностей, специальных знаний или того и другого. В условиях плотной застройки на границе лесных массивов и городов эти ограничения имеют значение: спасателям необходимы быстрые, локализованные прогнозы, а не результаты, поступающие слишком поздно для принятия решений. В таких местах, как Гонконг, где городская застройка расположена близко к покрытым растительностью склонам холмов, даже относительно небольшие пожары могут стать опасными. Учитывая эти проблемы, необходимы углубленные исследования систем прогнозирования лесных пожаров, которые были бы одновременно высокоточными и оперативно быстрыми.
Исследователи из Гонконгского политехнического университета сообщили (DOI: 10.1007/s11783-026-2165-1) 10 марта 2026 года в онлайн-журнале ENGINEERING Environment о разработке системы прогнозирования лесных пожаров в режиме реального времени под названием Fast Cross-Scale Deep Learning, используя остров Гонконг в качестве демонстрационной области. Исследование сочетает моделирование лесных пожаров, глубокое обучение и развертывание программного обеспечения для прогнозирования как фронта пожара, так и зоны горения с практической скоростью для реагирования на чрезвычайные ситуации.
Команда начала с практической проблемы: ранние пожары небольшие, разреженные и их легко пропустить для ИИ, в то время как крупные пожары создают изображения больших размеров, обработка которых обходится дорого. Для решения этой проблемы они разработали двухэтапную стратегию. Для пожаров на ранних стадиях, длящихся менее 12 часов или выгорающих на площади менее 1000 м², они сохранили исходное разрешение 5 метров и разделили изображения на тысячи перекрывающихся блоков, чтобы модель могла более четко «видеть» редкие выгоревшие пиксели. Для более крупных пожаров они изменили размер изображений и разделили их на девять перекрывающихся блоков, уменьшив вычислительные затраты при сохранении характера распространения. Сам набор данных был получен из моделирования лесных пожаров FARSITE и охватывал 240 случаев с различными скоростями ветра, направлениями ветра и точками возгорания на острове Гонконг. Используя модели на основе U-Net, разработанная система достигла показателя F1-меры 0,65 для пожаров на ранней стадии и 0,75 для крупномасштабных пожаров, при этом точность прогнозирования крупных пожаров достигла около 85% с погрешностями менее 15%. По сравнению с эталонным моделированием, система ИИ выдавала прогнозы за секунды или десятки секунд, а не за десятки минут.
По мнению авторов, реальная ценность системы заключается в соединении исследований в области ИИ с принятием решений на местах. Их система — это не просто модель, а часть более широкого рабочего процесса экстренной поддержки, предназначенного для генерации быстрых прогнозов, снижения вычислительной нагрузки и повышения доступности моделирования лесных пожаров для спасателей. В то же время, в исследовании подчеркиваются существующие ограничения: прогнозирование на ранней стадии остается сложнее, чем прогнозирование более крупных, развитых пожаров, показывая, что первые мгновения после возгорания по-прежнему являются самыми сложными для надежного прогнозирования с помощью ИИ.
Исследование указывает на будущее, в котором прогнозирование лесных пожаров станет быстрее, масштабируемее и более применимо в реальных чрезвычайных ситуациях. Исследователи также разработали интеллектуальный инструмент прогнозирования лесных пожаров (IWFTool), чтобы преобразовать модель в практическую платформу для прогнозирования лесных пожаров на 72 часа и поддержки реагирования. Это особенно важно в зонах высокого риска, где границы между лесными массивами и городскими территориями могут влиять на решения об эвакуации, тушении и распределении ресурсов. Хотя модель была продемонстрирована в Гонконге, ее многомасштабная разработка может быть адаптирована для других пожароопасных регионов, нуждающихся в быстрых и недорогих инструментах прогнозирования, которые позволят преодолеть разрыв между передовым моделированием и действиями на передовой.
