Predikce a analýza požárů založená na strojovém učení
19. 06. 2026 - S potěšením informujeme o významném úspěchu na poli vědy a výzkumu. V prestižním vědeckém časopise International Journal of Disaster Risk Reduction (Q2, IF 4,5) byl publikován nový článek s názvem „ML-Based Fire Cause Prediction: Integrating Population Mobility and Meteorological Data“. Významným spoluautorem této vědecké práce je ředitel Institutu ochrany obyvatelstva - plk. Mgr. et Mgr. František Paulus, Ph.D., MBA.
Vědecký tým se v článku zaměřil na zásadní praktický problém v oblasti požární ochrany. V České republice je téměř 49 % požárů v přírodním prostředí vedeno ve vykazovaných datech s neznámou příčinou, což značně komplikuje efektivní řízení rizik a plánování prevence. Výzkumníci proto analyzovali data z více než 36 000 historických požárů a propojili je s dynamickou mobilitou obyvatelstva, získanou prostřednictvím anonymizovaných dat ze SIM karet, a předpovědí počasí ze systému GFS (Global Forecast System). Za využití pokročilých algoritmů strojového učení (Machine Learning) a sémantické NLP analýzy tísňových hovorů se jim podařilo dosáhnout přelomových výsledků.
Vyvinutý model dokáže u 38–50 % dosud „neznámých“ případů zpětně s vysokou pravděpodobností určit viníka či příčinu zapálení, což výrazně přispívá ke zpřesnění statistik a kvalitnější zpětné analýze. Výzkum zároveň ukázal, jak sociální dynamika měst v porovnání s klidnějším venkovem zásadně mění požární rizika, takže je preventivní opatření možné efektivně šít na míru demografickému složení a specifikům konkrétního okresu. Propojení s meteorologickými daty navíc umožňuje systém využívat k operativní předpovědi aktuálního rizika vzniku požárů v reálném čase, například podle toho, kam o víkendech směřují zvýšené davy lidí.
Tento výzkum přináší Hasičskému záchrannému sboru ČR i dalším orgánům ochrany obyvatelstva do rukou dvouúčelový nástroj, který slouží jak jako metoda pro retrospektivní doplňování chybějících dat v databázích, tak i jako inovativní rámec pro proaktivní lokální řízení rizik. Celý článek je publikován v režimu Open Access, tedy jako volně přístupný, a čtenáři jej mohou nalézt pod následujícím odkazem: https://www.sciencedirect.com/science/article/pii/S2212420926002694
