Неговиот професионален интерес е насочен кон изучување на современите технологии, како што се вештачката интелигенција и машинското учење, и нивната примена во геоинформациските системи.

- Станува збор за геопросторен аналитички продукт, развиен во Python, кој со примена на вештачка интелигенција и машинско учење проценува во кои делови од нашата држава би можело да има повисок ризик од појава на пожарни жаришта во периодот јули–август–септември 2026 година. За полесно да се разбере, територијата на државата ја поделив на 1.096 квадратни полиња со големина од 5 на 5 километри. Тоа може да се замисли како дигитална шаховска табла поставена врз картата на нашата држава. За секое од тие полиња моделот дава процена на ризикот врз основа на претходно регистрираната пожарна активност. Главниот извор на податоци е NASA FIRMS – Fire Information for Resource Management System, односно систем на НАСА кој користи сателитски инструменти и сензори, со цел регистрирање активни пожари и топлински аномалии. Податоците содржат координати, датум и време на детекцијата, интензитет на топлинскиот сигнал и други атрибути. Секоја сателитска детекција беше претворена во точка на карта и поврзана со соодветното поле од мрежата. Во проектот користев податоци од почетокот на 2020 година до 27 јуни 2026 година. NASA FIRMS ги обезбедува овие сателитски детекции и како податоци погодни за анализа и како информации што можат да се користат за следење пожари - сподели Марјан Здравковски за Факултети.мк.

Овој продукт обезбедува можност за напредна аналитика со цел превенција и можност за поддршка при носење одлуки.

- Важно е да се нагласи дека ова не е систем кој го предвидува точниот ден, час и место на избувнување пожар. Тој покажува каде, според историските податоци, ризикот е релативно повисок. Затоа резултатот треба да се користи како информација за поддршка при носење одлуки, а не како сигурна прогноза - вели тој.

Марјан работи во ИГЕА на развој на специјализирани софтверски решенија од областа на геоинформациските системи. По образование е магистер по технички науки од областа на геодезијата при Градежниот факултет во Скопје и има седум години професионално искуство во развој на ГИС-решенија.

Неговиот аналитички продукт користи модел на машинско учење со цел да препознае обрасци и да научи од историските податоци. Доколку во одредени делови од државата во повеќе претходни години почесто биле регистрирани пожарни жаришта, моделот го зема тоа предвид при процената на идниот ризик, открива Здравковски.

- Најпрво податоците се проверуваат и се чистат. Тоа е важно затоа што сателитот преку сензорите не „гледа пожар“ на ист начин како човек, туку регистрира силен топлински сигнал. Таков сигнал понекогаш може да доаѓа и од индустриски објект или од друг постојан извор на топлина, па таквите детекции треба да се препознаат и да се отстранат од анализата. Потоа, податоците се структурираат во однос на секое поле од 5 на 5 километри и за секоја календарска година се создава посебен запис. Моделот треба да научи дали во тоа поле, во периодот јули–септември, имало барем една сателитска детекција на пожар - вели Марјан.

За обука на моделот користел податоци од 2020 до 2023 година, 2024 година била користена за валидација, а 2025 година за финално тестирање на моделот со податоци што претходно не ги видел. Биле тестирани и споредени три класификациски модели: „Logistic Regression, Decision Tree и Random Forest“.

- Логистичката регресија покажа најдобар вкупен баланс и беше избрана за финалната процена на ризик за 2026 година. Оваа верзија на моделот главно се потпира на претходно детектираната пожарна активност. За да стане посилен и посоодветен за оперативна употреба, продуктот во иднина би можел да се прошири со дополнителни податоци за температура, ветер, врнежи и влажност на воздухот и вегетацијата; тип на земјиште и шумска покривка; надморска височина и наклон на теренот; патишта и населени места; достапност на вода и противпожарни ресурси - потенцира Здравковски.

Неговата методологија може да има практична примена и да им помогне на институциите пред почетокот на сезоната да утврдат на кои подрачја треба да им посветат поголемо внимание.

- На пример, може да се користи за подобро планирање при распоредувањето на пожарникари, возила, авиони и друга опрема; засилени патроли и набљудување на ризичните подрачја; проверка на пристапните патишта и достапноста на вода; навремено расчистување на сувата вегетација; насочени предупредувања и превентивни кампањи; планирање евакуација и заштита на населени места и критична инфраструктура. Центарот за управување со кризи има функција да обезбедува координација, навремена реакција и процена на ризиците и опасностите заснована на податоци, па аналитички продукти од овој тип се непосредно поврзани со таквата улога - смета геоинформатичарот.

Марјан вели дека во однос на неговото место во пошироката национална рамка за управување со ризици, сегашната верзија на продуктот треба да се гледа како доказ дека ваквиот пристап е можен.

- Тој покажува дека геопросторните податоци, вештачката интелигенција и машинското учење можат да помогнат во процената и мапирањето на ризикот, како и во навременото планирање на ресурсите. Се надевам дека овој пример ќе поттикне интерес и институционална иницијатива за развој на посеопфатен национален електронски систем за управување со ризици од катастрофи, со централен и редовно ажуриран регистар на податоци. Таквиот систем би ги поврзувал податоците од различни институции и би опфаќал не само пожари, туку и поплави, земјотреси, свлечишта, суши и други опасности. На тој начин државата би имала единствена и ажурирана слика за тоа каде се ризиците, кои луѓе, населени места и објекти се изложени и со какви ресурси располага за превенција и навремена реакција - образложи тој.

- Бројката што ја наведувате покажува дека шумските пожари не се само еколошки проблем, туку и голем економски, безбедносен и општествен ризик. Софтверот сам по себе не може да спречи или да изгасне пожар. Неговата вредност е во тоа што може да помогне во превенција и во насочувањето на ресурсите на вистинско место во вистинско време. На пример, доколку однапред знаеме дека одредено подрачје има повисок ризик, таму може да се зголемат патролите, да се исчисти сувата вегетација, да се проверат пристапните и проодни патишта по кои би се движеле противпожарните возила, да се мапираат локациите за снабдување со вода, како и навреме да се предупреди локалното население. Доколку пожар сепак започне, претходно распоредените ресурси можат да значат побрза реакција и помала можност огнот да прерасне во голем шумски пожар - вели Марјан.

Според него, треба да се прави разлика помеѓу намалување на бројот на започнати пожари, што зависи и од човечкото однесување, контролата и превенцијата; и намалување на опожарената површина, штетата и опасноста за луѓето, каде што раната реакција може да има големо значење.

- Најголемата потенцијална придобивка е преминувањето од општа кон насочена превенција. Наместо сите подрачја да се третираат еднакво, поголемо внимание и повеќе ресурси можат да се насочат таму каде што комбинацијата на податоците покажува највисок ризик. Со развивање и интегрирање на ваков тип продукти во рамките на еден национален систем за управување со ризици од катастрофи, меѓу кои се и пожарите, надлежните институции би можеле да добијат единствена и ажурирана слика за ризичните подрачја, тековните жаришта и расположливите ресурси. На тој начин надлежните институции би можеле побрзо да ја утврдат локацијата на пожарот, да го изберат најсоодветниот пристапен правец, да ги испратат најблиските екипи и навреме да ги заштитат најзагрозените населени места и објекти. Тоа би го скратило времето од детекцијата до интервенцијата и би ја намалило можноста пожарот да се прошири и да предизвика поголеми човечки, еколошки и материјални штети - објаснува геоинформатичарот за својата методологија.

Тој истакна дека вештачката интелигенција може значително да им помогне на институциите, но потенцира, не како замена за пожарникарите, инженерите, метеоролозите или 

кризните штабови.

- Нејзината улога е да обработува големо количество податоци, да открива обрасци, да проценува различни сценарија и навреме да им ги прикажува најважните информации на носителите на одлуките. На тој начин може значително да им помогне при носење клучни одлуки - вели тој.

Во неговиот проект станува збор за таканаречено надгледувано машинско учење. На моделот му се даваат историски примери, врз чија основа тој учи кои карактеристики и обрасци се поврзани со појавата на пожарни жаришта.

- Слични пристапи можат да се користат и за процена на ризик од поплави, свлечишта, суши и топлотни бранови; утврдување кои населени места, патишта, училишта, болници или енергетски објекти се изложени; подобро распоредување екипи, возила, опрема и хуманитарна помош; брза процена на штетата по катастрофа; планирање на обновата и идните превентивни инвестиции - објаснува Марјан.

Квалитетот на секој модел зависи од квалитетот на податоците. Доколку податоците се нецелосни, застарени или несоодветни, ниту најнапредната вештачка интелигенција нема да може да даде доволно точни и доверливи резултати.

- Тука доаѓаме до значењето на национален систем за управување со ризик од катастрофи, чиј составен дел би бил централен и редовно ажуриран регистар на податоци. Во него би се внесувале, чувале и одржувале податоци за опасностите, загрозените подрачја, населението, инфраструктурата, претходните катастрофи, причинетите штети и расположливите ресурси. Таквите податоци би можеле да се користат за различни видови анализи, вклучително и за модели базирани на вештачка интелигенција.