في السنوات الأخيرة، أصبحت الحرائق الغابية تمثل تحديًا كبيرًا بسبب زيادة تكرارها وشدة أضرارها. ولذلك، فإن رسم حدود المناطق المحترقة بدقة يعد أمرًا حاسمًا لمراقبة البيئة وتقييم ما بعد الحريق. ومع ذلك، غالبًا ما تواجه النماذج التقليدية التي تعتمد على نماذج التجزئة الثنائية صعوبات في تحقيق نتائج قوية ودقيقة، خاصة عند التدريب من الصفر، بسبب الموارد المحدودة وعدم التوازن اللازم لهذه مهمة التجزئة. نقترح معالجة هذه القيود بطريقتين: الأولى، بناء مجموعة بيانات مخصصة للتعامل مع الموارد المحدودة، وذلك بدمج المعلومات من تغذية Sentinel-2 (سنتينل-2) ومُفعّلات Copernicus (كوبيرنيكوس) ومصادر البيانات الأخرى. وفي هذه المجموعة البيانات، نوفر شروحًا لمهام متعددة، بما في ذلك رسم حدود المناطق المحترقة وتجزئة غطاء الأرض. الثانية، نقترح إطارًا للتعلم متعدد المهام يضم تصنيف غطاء الأرض كمهمة مساعدة لتعزيز قوة وأداء نماذج تجزئة المناطق المحترقة. نقارن أداء نماذج مختلفة، بما في ذلك UPerNet (يوبرنت) وSegFormer (سيغفورمر)، مما يثبت فعالية نهجنا مقارنة بالتجزئة الثنائية القياسية.