В статье рассматривается применение искусственных нейронных сетей (ИНС) для повышения точности прогнозирования лесопожарных рисков в Красноярском крае. В условиях увеличения частоты и масштабов лесных пожаров, обусловленных климатическими изменениями, традиционные методы прогнозирования демонстрируют ограниченную эффективность. Предложена многослойная нейронная сеть с архитектурой прямого распространения, обученная на данных за 2018-2023 годы, включающих метеорологические, лесопатологические и пространственно-временные параметры. Результаты исследования показали, что разработанная модель обеспечивает более высокую точность прогнозирования по сравнению с классическими методами (метод Нестерова, канадская система CFFDRS): снижение ошибки оценки площади возгораний в 1,8-2,3 раза и повышение точности предсказания сроков возникновения пожаров на 27-35%. Особое внимание уделено анализу влияния экстремальных погодных условий на динамику пожаров, что позволило выявить нелинейные взаимосвязи между факторами. Практическая значимость работы подтверждена апробацией модели на данных Сибирского федерального округа, где достигнуто сокращение времени реагирования на 30-40%. Перспективы дальнейших исследований включают интеграцию спутникового мониторинга, применение архитектур глубокого обучения (LSTM, GRU) и разработку геоинформационной системы поддержки принятия решений
The article explores the use of artificial neural networks (ANNs) to enhance the accuracy of forest fire risk forecasting in Krasnoyarsk Krai. Given the increasing frequency and scale of wildfires due to climate change, traditional prediction methods show limited effectiveness. A feedforward multilayer neural network was developed, trained on 2018-2023 data encompassing meteorological, forest pathology, and spatiotemporal parameters. The results demonstrate that the proposed model outperforms classical methods (Nesterov’s method, Canadian CFFDRS system), reducing fire area estimation errors by 1.8-2.3 times and improving fire occurrence timing prediction by 27-35%. Special emphasis is placed on analyzing the impact of extreme weather conditions on fire dynamics, revealing nonlinear relationships between factors. The practical relevance of the study is confirmed by testing the model on data from the Siberian Federal District, achieving a 30-40% reduction in response time. Future research directions include integrating satellite monitoring, applying deep learning architectures (LSTM, GRU), and developing a GIS-based decision support system