Forskere har i en ny undersøgelse evalueret 15 maskinlæringsmodeller til at forudsige debris-flows – hurtige mudder- og stenskred – efter skovbrande. Resultaterne, offentliggjort på arXiv, viser, at modellen TabPFN opnår den højeste præcision med en threat score på 0,637, tæt fulgt af de bedste træbaserede modeller. Dette kan få direkte betydning for myndigheder og virksomheder, der arbejder med risikovurdering og infrastruktursikring i brandramte områder.
Undersøgelsen adresserer et centralt problem: At identificere pålidelige modeller er vanskeligt, fordi debris-flow og ikke-debris-flow hændelser overlapper i feature space, og fordi træningsdata er begrænset. Ved at kombinere systematisk benchmarking, fortolkelig feature-analyse og syntetisk dataforøgelse giver forskningen et samlet framework til at forbedre forudsigelser. SHAP-analyser viser, at kortvarig regnintensitet og stormakkumulering er de vigtigste prædiktorer, mens forbrændingsgrad og terræn spiller mindre rolle.
Syntetisk dataforøgelse, genereret med TabPFN, forbedrede præstationen for alle modeller undtagen CNN, med den største gennemsnitlige stigning på +0,041 blandt deep learning-modellerne. Dette er særligt relevant, da manglen på observationer af debris-flows er en kendt barriere for præcise varslinger.
For beslutningstagere betyder resultaterne, at avancerede AI-modeller nu kan integreres i eksisterende varslingssystemer med dokumenteret effekt. Virksomheder og offentlige instanser, der håndterer infrastruktur i brandudsatte områder, bør overveje at opgradere deres risikomodeller for at beskytte samfund og aktiver mod de stigende skovbrande og deres eftervirkninger.
