Россия
УДК 614.8 Несчастные случаи, их опасность, профилактика и борьба с ними
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.
природные пожары, машинное обучение, t-SNE, UMAP, визуализация данных
1. Матиев Р.Т., Матвеев. А.В., Таранцев А.А. Модель поддержки принятия решений при реагировании на лесные пожары в горной местности с использованием нечеткой логики // Инженерный вестник Дона. 2025. № 12 (132). EDN LCTAWP.
2. 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. DOI:https://doi.org/10.61260/2218-130X-2025-2-35-48. EDN OKGHLE.
3. Матвеев А.В., Матиев Р.Т. Принятие решений при пожарах в горной местности: Сравнительный анализ методов мониторинга // Национальная безопасность и стратегическое планирование. 2023. № 2(42). С. 76-90. DOI:https://doi.org/10.37468/2307-1400-2023-2-76-90. EDN QPRUWC.
4. A review of machine learning applications in wildfire science and management / P. Jain [et al] // Environmental Reviews. 2020. V. 28. No 4. P. 478-505. DOI:https://doi.org/10.1139/er-2020-0019.
5. Wildfire Risk Prediction: A Survey of Recent Advances Using Deep Learning Techniques / Z Xu [et al.] // 2024. arXiv:2405.01607v4
6. 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. DOI:https://doi.org/10.34987/vestnik.sibpsa.2025.22.36.011. EDN PKSBTR.
7. 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. DOI:https://doi.org/10.22227/0869-7493.2024.33.04.84-96. EDN MJLVTY.
8. Медведев Д.В., Матвеев А.В., Дмитриева А.И. Применение нейро-нечеткой системы ANFIS при прогнозировании площади лесных пожаров // Пожарная безопасность: современные вызовы. Проблемы и пути решения: сб. материалов Всерос. науч.-практ. конф. СПб.: С.-Петерб. ун-т ГПС МЧС России, 2024. С. 43-48. EDN PFZVXO.
9. Медведев Д. В., Матвеев А. В. Свидетельство о государственной регистрации программы для ЭВМ № 2024682958 Российская Федерация. Нейро-нечеткая система ANFIS для прогнозирования показателей лесных пожаров: № 202468121: заявл. 13.09.2024: опубл. 01.10.2024 // С.-Петерб. ун-т ГПС МЧС России. EDN MMAXOR.
10. Van der Maaten L., Hinton G. Visualizing data using t-SNE // Journal of machine learning research. 2008. V. 9. No. 11.
11. McInnes L., Healy J., Melville J. Umap: Uniform manifold approximation and projection for dimension reduction // arXiv preprint arXiv: 1802.03426. 2018.DOI:https://doi.org/10.48550/arXiv.1802.03426
12. Scikit-learn: T SNE. URL: https://scikit-learn.org/stable/modules/manifold.html#t-distributed-stochastic-neighbor-embedding-t-sne (дата обращения: 06.02.2026).
13. Umap-learn documentation. URL: https://umap-learn.readthedocs.io/ (дата обращения: 06.02.2026).
14. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova [et al.] // Advances in Neural Information Processing Systems. 2018. Vol. 31.
15. Hochreiter S., Schmidhuber J. Long Short Term Memory // Neural Computation. 1997. Vol. 9. № 8. P. 1735–1780. DOI:https://doi.org/10.1162/neco.1997.9.8.1735.
