في محاولة للقضاء على المخاوف المرتبطة بانتشار الحرائق، أجرى باحثون دراسة جديدة حول إمكانية استخدام الذكاء الاصطناعي في التنبؤ بهذه الظواهر بشكل أكثر دقة وكفاءة. تم استخدام قاعدة بيانات ضخمة تضم 10,584 محاكاة لانتشار الحرائق في إقليم ريكوريت بكاتالونيا، إسبانيا، وبأسلوب دقيق يصل إلى دقة 2 متر.

تتضمن الدراسة مقارنة أربعة نماذج ابتكارية، وهي: نموذج U-Net المعتمد على الفقاعات (patch-based U-Net)، نموذج ResNet-50 المدرب بنقل المعرفة (transfer-learned)، شبكة مدفوعة بالمعلومات الفيزيائية (physics-informed) التي تلتزم بمعادلة التشتت المتأثر بالرياح، ونموذج Swin-Unet المحول.

أظهر البحث أن المتغير الأهم في تحديد احتمالية الاحتراق هو كمية الوقود السطحي، حيث بلغت قوة العلاقة (r = 0.27)؛ ما أدى إلى تقليل خطأ التنبؤ بنسبة 21% عند إضافته إلى النموذج. وعلى الرغم من وجود العديد من المتغيرات الأخرى، إلا أنها أظهرت تأثيرات ضعيفة وكانت متكررة العالية.

قامت الدراسة أيضًا بإجراء تجارب تعتمد على الإثارة، والضباب، والدوران، لتوضيح كيفية تعلم النماذج. وقد وجد أن النماذج المت convolutional تعتمد في الغالب على المسافة من الجبهة الحالية للحريق، فيما منح نموذج Swin-Unet وزناً أكبر للوقود والتضاريس، وهي نتيجة تم ملاحظتها أيضًا في مجموعة بيانات حرائق أخرى غير مرتبطة.

عند تطبيق هذه النماذج مرة أخرى على منطقة ثانية، ألا وهي منطقة بيدريزا، استمرت النماذج الثلاثة في توقع انتشار الحرائق ولكن بحاجة إلى إعادة تدريب بسيط لتقليل الفارق في الدقة.

تعكس هذه الدراسات كيف يمكن للذكاء الاصطناعي أن يكون أداة قوية في مكافحة الحرائق، مما يفتح الباب لتقنيات جديدة وابتكارات في هذا المجال.