В статье исследуется сложность задачи вероятностного прогнозирования возникновения природных пожаров методами машинного обучения. Проведен анализ обучающей выборки, включающей метеорологические, спутниковые и исторические данные, а также выполнена визуализация распределений и решена задача понижения размерности с помощью нелинейных методов t-SNE и UMAP. Продемонстрировано, что классы «пожар» и «нет пожара» в значительной степени перекрывают друг друга в признаковом пространстве. Полученные результаты говорят о необходимости применения сложных, нелинейных методов машинного обучения.
This article examines the complexity of probabilistic wildfire forecasting using machine learning. A training set including meteorological, satellite, and historical data is analyzed, distributions are visualized, and dimensionality reduction is performed using nonlinear t-SNE and UMAP methods. It is demonstrated that the "fire" and "no fire" classes significantly overlap in the feature space, suggesting the need for complex, nonlinear machine learning methods.