WildfireGenome: ML erklärt lokale Feuerrisiko-Faktoren und regionale Unterschiede

Eine neue Studie namens WildfireGenome nutzt erklärbares maschinelles Lernen, um die lokalen Treiber von Waldbrandrisiken zu identifizieren und deren länderspezifische Unterschiede sichtbar zu machen.

Derzeit beruhen Waldbrand-Risikoanalysen auf groben Gefahrenkarten und undurchsichtigen ML-Modellen, die zwar regionale Genauigkeit maximieren, aber die Entscheidungsfindung auf lokaler Ebene erschweren. WildfireGenome schließt diese Lücken, indem es drei zentrale Komponenten kombiniert: Erstens werden sieben bundesstaatliche Waldbrandindikatoren zu einer signifikationsausgerichteten, PCA-basierten Risikokennzahl auf H3 Level‑8‑Auflösung zusammengeführt. Zweitens klassifiziert ein Random‑Forest-Modell das lokale Brandrisiko. Drittens werden SHAP‑ und ICE/PDP‑Analysen eingesetzt, um nichtlineare, county‑spezifische Zusammenhänge zwischen Risikofaktoren aufzudecken.

In sieben ökologisch unterschiedlichen US-Counties erreichten die Modelle Genauigkeiten zwischen 0,755 und 0,878 sowie Quadratic Weighted Kappa‑Werte bis zu 0,951. Die Hauptkomponenten erklärten 87 % bis 94 % der Varianz der Indikatoren. Transfer‑Tests zeigten, dass die Modelle zuverlässig zwischen ähnlich geprägten Regionen funktionieren, jedoch bei stark unterschiedlichen Kontexten an Leistung verlieren.

Die Erklärungen betonen konsequent die Rolle von Nadelholzbedeckung und Elevation als dominierende Treiber. Das Brandrisiko steigt besonders deutlich bei 30 % bis 40 % Nadelholzbedeckung. WildfireGenome ermöglicht damit eine von regionalen Vorhersagen abweichende, interpretierbare Analyse auf Entscheidungsebene, die gezielte Maßnahmen in Vegetationsmanagement, Zonierung und Infrastrukturplanung unterstützt.