кандидат технических наук;
candidate of technical sciences;
кандидат технических наук;
candidate of technical sciences;
В статье рассматривается задача вероятностного прогнозирования возникновения природных пожаров с упреждением прогноза в 24 часа и 7 суток по данным наземного метеорологического наблюдения и спутникового мониторинга. Сформировано признаковое пространство, состоящее из лаговых метеорологических, экспоненциально взвешенных средних, календарных и спутниковых признаков. Для решения задачи сравнивалась модель градиентного бустинга (CatBoost), как представителя классического машинного обучения, и нейронная сеть рекуррентного типа (LSTM), как представитель архитектур глубокого обучения. Качество моделей оценивалось по стандартным метрикам ROC-AUC, PR-AUC, F1, Precision и Recall. Статистическая устойчивость оценивалась с помощью бустрэп-анализа с построением 95% доверительных интервалов. Для дополнительной оценки выполнена калибровка вероятностей с помощью изотонической регрессии и масштабирование по Платту (Platt Scaling), проведен анализ сезонных показателей качества. Проведено исследование интерпретируемости моделей с помощью SHAP-анализа для CatBoost и метода атрибуции (Integrated Gradient) для LSTM. Получено, что CatBoost обеспечивает более сбалансированное качество прогноза и показывает более высокую чувствительность, но уступает по точности и надежности вероятностных оценок.
This article examines the problem of probabilistic wildfire forecasting with a 24-hour and 7-day lead time based on ground-based meteorological observations and satellite monitoring. A feature space was constructed consisting of lagged meteorological, exponentially weighted average, calendar, and satellite features. To solve the problem, a gradient boosting model (CatBoost), as a representative of classical machine learning, and a recurrent neural network (LSTM), as a representative of deep learning architectures, were compared. Model performance was assessed using standard metrics such as ROC-AUC, PR-AUC, F1, Precision, and Recall. Statistical robustness was assessed using bootstrap analysis with 95% confidence intervals. For additional evaluation, probabilities were calibrated using isotonic regression and Platt scaling, and an analysis of seasonal quality indicators was conducted. A study of the interpretability of the models was conducted using SHAP analysis for CatBoost and the Integrated Gradient attribution method for LSTM. It was found that CatBoost provides a more balanced forecast quality and demonstrates higher sensitivity, but is inferior in the accuracy and reliability of probabilistic estimates.