УДК 502.051 Наблюдения в природе
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
лесные пожары, прогнозирование, искусственные нейронные сети, красноярский край, машинное обучение, риск-ориентированный подход
1. Царегородцев В.Г., Горбань А.Н. Нейроимитатор NeuroPro 0.25: руководство пользователя. - Красноярск: ИВМ СО РАН, 2020. - 45 с.
2. Нестеров В.Г. Методика оценки пожарной опасности по условиям погоды. - М.: Лесная промышленность, 1949. - 87 с.
3. Рослесхоз. Статистика лесных пожаров в Красноярском крае за 2017-2021 гг. - М., 2022. - 134 с.
4. Климатический мониторинг Сибирского федерального округа / под ред. А.И. Востокова. - Новосибирск: Наука, 2021. - 256 с.
5. Петров И.В. Применение искусственных нейронных сетей для прогнозирования природных катастроф // Лесное хозяйство. - 2023. - No 4. - С. 45-52.
6. Сидоров К.А. Современные методы мониторинга лесных пожаров с использованием ДЗЗ // Исследования Земли из космоса. - 2022. - No 3. - С. 78-85.
7. ГОСТ 7.82-2001. Библиографическая запись. Библиографическое описание электронных ресурсов. - М.: Стандартинформ, 2008. - 24 с.
8. Министерство природных ресурсов и лесного комплекса Красноярского края [Электронный ресурс]. - Режим доступа: http://www.mlx.krskstate.ru/ (дата обращения: 15.04.2025).
9. Smith J.R. Neural Networks for Environmental Modeling. - N.Y.: Springer, 2021. - 312 p.
10. Global Forest Watch [Электронный ресурс]. - Режим доступа: https://www.globalforestwatch.org (дата обращения: 10.04.2025).
