Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров

Гончаров Андрей Сергеевич; Балобанов Андрей Александрович; Матвеев Александр Владимирович

doi:10.37468/2307-1400-2026-1-78-89

УДК 004.8 УДК 614.8

Ещё 2 Свернуть

СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУР КЛАССИЧЕСКОГО И ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ПРИРОДНЫХ ПОЖАРОВ Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров

АА Аа

Опубликовано в Национальная безопасность и стратегическое планирование · Том 2026, Номер 1 · Страницы 78–89 · Рубрика: Техносферная безопасность, экология живых систем и рациональное природопользование

DOI: https://doi.org/10.37468/2307-1400-2026-1-78-89

Получено: 15.02.2026 Одобрено: 20.03.2026 Опубликовано: 29.04.2026 Язык публикаций: ru-RU

Авторы

ГО

Гончаров Андрей Сергеевич

БА

Балобанов Андрей Александрович

SPIN

МА

Матвеев Александр Владимирович

ORCID SPIN

ГО

Гончаров Андрей Сергеевич

Санкт-Петербургский университет ГПС МЧС России кафедра системного анализа и антикризисного управления · Россия

БА

Балобанов Андрей Александрович

Ученая степень: кандидат технических наук

Санкт-Петербургский университет ГПС МЧС России Санкт-Петербург

SPIN

МА

Матвеев Александр Владимирович

Ученая степень: кандидат технических наук

Ученое звание: доцент

Санкт-Петербургский университет ГПС МЧС России заведующий кафедрой · кафедра прикладной математики и безопасности информационных технологий · Россия · Санкт-Петербург

ORCID SPIN

АННОТАЦИЯ

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.

КЛЮЧЕВЫЕ СЛОВА

природные пожары, машинное обучение, CatBoost, LSTM, прогнозирование пожаров

Текст

Текст (PDF)

Читать Скачать

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

PDF JATS XML

Председатель редакционной коллегии

Матвеев Владимир Владимирович

070355mvv@gmail.com +7(911)791-08-80

186

загрузок

ГОСТ

Гончаров А. С., Балобанов А. А., Матвеев А. В. Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров // Национальная безопасность и стратегическое планирование. 2026. № 1. С. 78-89. DOI: https://doi.org/10.37468/2307-1400-2026-1-78-89. (дата обращения: 10.11.2026).

MLA

Гончаров Андрей Сергеевич, Балобанов А. А., Матвеев А. В.. "Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров." Национальная безопасность и стратегическое планирование 2026.1 (2026): 78-89. DOI: https://doi.org/10.37468/2307-1400-2026-1-78-89.

APA

Гончаров А. С., Балобанов А. А., Матвеев А. В. (2026). Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров. Национальная безопасность и стратегическое планирование, 2026(1), 78-89. https://doi.org/10.37468/2307-1400-2026-1-78-89

Chicago

Гончаров Андрей Сергеевич, Балобанов А. А., Матвеев А. В.. "Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров." Национальная безопасность и стратегическое планирование 2026, no. 1 (2026): 78-89. https://doi.org/10.37468/2307-1400-2026-1-78-89.

WIKI

{{cite journal | author = Гончаров А. С., Балобанов А. А., Матвеев А. В. | title = Сравнительный анализ архитектур классического и глубокого машинного обучения в задаче прогнозирования природных пожаров | journal = Национальная безопасность и стратегическое планирование | year = 2026 | volume = 2026 | issue = 1 | pages = 78-89 | doi = 10.37468/2307-1400-2026-1-78-89 }}

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

Подтверждение