تُعتبر حرائق الغابات من أخطر الظواهر الطبيعية التي تواجه العديد من الدول، حيث تتميز بالتوزيع غير المتوازن من حيث المكان والشدة، مما يجعل عملية التنبؤ بالأحداث القصوى أمراً بالغ الصعوبة. في إطار محاولتنا لمواجهة هذه التحديات، نطرح هنا أول إطار لتصنيف حرائق الغابات استنادًا إلى مستويات شدة الخطر، متماشيًا مع متطلبات اتخاذ القرار العملياتي في فرنسا.

تتناول هذه الدراسة أثر تصميم دالة الفقد (Loss Function) على قدرة النماذج العصبية في التنبؤ بالأحداث الحرائق الشديدة التي تحدث نادراً. نقوم بمقارنة دالة الفقد التقليدية (cross-entropy) مع عدة أهداف أخرى واعية للتصنيف المرتب (ordinal-aware objectives)، من بينها الخسارة المقترحة TDeGPD المستندة إلى توزيع باريتو العام المتقطع.

أظهرت نتائج التجارب الواسعة عبر عدة هياكل ونماذج بيانات حقيقية أن الإشراف المرتبط بالتسلسل (Ordinal Supervision) يبدي تحسينًا ملحوظًا في أداء النموذج مقارنةً بالأساليب التقليدية. وفي هذا الصدد، حققت دالة الفقد Weighted Kappa Loss (WKLoss) أفضل النتائج، حيث زادت نسبة تقاطع الاتحاد (IoU) بأكثر من +0.1 في الفئات الشديدة الخطورة، مع الحفاظ على جودة متنافسة في المعايرة.

ومع ذلك، تبقى الكفاءة محدودة في مواجهة الأحداث النادرة نظرًا لانخفاض تمثيلها في مجموعة البيانات. تشدد هذه النتائج على أهمية دمج كل من ترتيب الخطورة، واعتبارات عدم التوازن في البيانات، ومخاطر الموسم في أنظمة توقع حرائق الغابات. كما سيتم توجيه الأبحاث المستقبلية نحو دمج الديناميكيات الموسمية ومعلومات عدم اليقين في التدريب لتحسين موثوقية توقعات الأحداث القصوى بشكل أكبر.