1. Константинов А.В., Морковина В.В. Лесные пожары как наиболее значимая угроза экономической безопасности лесного сектора // Актуальные направления научных исследований XXI века: теория и практика. – 2016. – Т. 4, № 2(22). – С. 319-325. – EDN UOWSNE.

2. Белов А. Н. Лесные пожары как угроза пожарной безопасности: современное состояние и предупреждение // Вестник экономики, управления и права. – 2023. – Т. 16, № 1. – С. 62-70. – EDN DHJWFB.

3. Медведев Д.В., Матвеев А.В. Алгоритмы интеллектуальной поддержки принятия управленческих решений при угрозах лесных пожаров // Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России". – 2025. – № 2. – С. 35-48. – DOIhttps://doi.org/10.61260/2218-130X-2025-2-35-48. – EDN OKGHLE.

4. Медведев Д.В., Матвеев А.В. Информационная модель поддержки принятия решений по реагированию на ландшафтные пожары // Сибирский пожарно-спасательный вестник. –2025. – № 1(36). – С. 117-125. – DOIhttps://doi.org/10.34987/vestnik.sibpsa.2025.22.36.011. – EDN PKSBTR.

5. Prokhorenkova L. et al. CatBoost: unbiased boosting with categorical features // Advances in Neural Information Processing Systems. – 2018. – Vol. 31.

6. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. –2018. – № 4(24). – С. 61-70. – EDN YTPZYL.

7. Матвеев А.В., Медведев Д.В., Смирнов А.С. Возможности применения технологий искусственного интеллекта для повышения эффективности управления в чрезвычайных ситуациях // Информатизация и связь. – 2025. – № 4. – С. 98-111. – DOIhttps://doi.org/10.34219/2078-8320-2025-16-4-98-111. – EDN KGTJCQ.

8. Медведев Д.В., Матвеев А.В., Смирнов А.С. Применение модели логистической регрессии при принятии решений по определению количества привлекаемых сил на ликвидацию лесных пожаров // Пожаровзрывобезопасность. – 2024. – Т. 33, № 4. – С. 84-96. – DOIhttps://doi.org/10.22227/0869-7493.2024.33.04.84-96. – EDN MJLVTY.

9. Медведев Д.В., Матвеев А.В. Возможности применения системы интеллектуальной поддержки принятия решений при реагировании на угрозы лесных пожаров // Технологии техносферной безопасности. – 2025. – № 3(109). – С. 74-89. – DOIhttps://doi.org/10.25257/TTS.2025.3.109.74-89. – EDN GZXXSU.

10. Родионов А.М., Иванов С.А. Анализ современных моделей и информационных систем при прогнозировании и мониторинге лесных пожаров // Экономика. Информатика. – 2023. – Т. 50, № 4. – С. 913-923. – DOIhttps://doi.org/10.52575/2712-746X-2023-50-4-913-923. – EDN QYFBQJ.

11. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proc. 22nd ACM SIGKDD. – 2016. – P. 785 794. – DOIhttps://doi.org/10.1145/2939672.2939785

12. Ke G. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 3146 3154.

13. Raparthi M. et al. Implementation and Performance Comparison of Gradient Boosting Algorithms for Tabular Data Classification //International Conference on Deep Learning and Visual Artificial Intelligence. – Singapore : Springer Nature Singapore, 2024. – P. 461-479. DOIhttps://doi.org/10.1007/978-981-97-4533-3_36

14. Prapas I. et al. Deep Learning Methods for Daily Wildfire Danger Forecasting // arXiv preprint arXiv:2111.02736. – 2021. – DOIhttps://doi.org/10.48550/arXiv.2111.02736

15. Ku C. Y., Liu C. Y. Predictive modeling of fire incidence using deep neural networks // Fire. – 2024. – V. 7. – No 4. – P. 136. – DOIhttps://doi.org/10.3390/fire7040136

16. Liu Z. et al. NASA global satellite and model data products and services for tropical meteorology and climatology // Remote Sensing. – 2020. – V. 12. – No 17. – P. 2821. – DOIhttps://doi.org/10.3390/rs12172821

17. Adler A. I., Painsky A. Feature importance in gradient boosting trees with cross-validation feature selection // Entropy. – 2022. – V. 24. – No 5. – P. 687. – DOIhttps://doi.org/10.3390/e24050687

18. Sakai T. Evaluating evaluation metrics based on the bootstrap // Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval. – 2006. – P. 525-532. – DOIhttps://doi.org/10.1145/1148170.1148261

19. Sundararajan M., Taly A., Yan Q. Axiomatic attribution for deep networks // Proceedings of the 34th International Conference on Machine Learning. – 2017. – P. 3319‑3328.

20. Матвеев А.В. Сравнительный анализ методов интерпретируемости моделей искусственного интеллекта в процессах принятия решений // Современные наукоемкие технологии. – 2026. – № 5. – С. 131-138. – DOIhttps://doi.org/10.17513/snt.40785. – EDN KKJORY.

21. Ancona M. et al. Towards better understanding of gradient-based attribution methods for deep neural networks // arXiv preprint arXiv:1711.06104. – 2017. DOIhttps://doi.org/10.48550/arXiv.1711.06104

22. Du M. et al. On attribution of recurrent neural network predictions via additive decomposition // The world wide web conference. – 2019. – P. 383-393. – DOIhttps://doi.org/10.1145/3308558.3313545

23. Posocco N., Bonnefoy A. Estimating expected calibration errors // International conference on artificial neural networks. – Cham : Springer International Publishing, 2021. – P. 139-150. – DOIhttps://doi.org/10.1007/978-3-030-86380-7_12

24. Raina R. et al. Impact of platt scaling on calibration in ML-based wireless resource allocation // 2025 IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN). – IEEE, 2025. – P. 1-5. – DOIhttps://doi.org/10.1109/ICMLCN64995.2025.11140554