Россия
Воронеж, Воронежская область, Россия
Россия
Проблема лесных пожаров приобретает все большую актуальность в условиях изменения климата и увеличения частоты экстремальных погодных явлений. Прогнозирование пожаров на основе метеорологических данных, таких как температура, влажность, скорость ветра и осадки, играет важную роль в управлении рисками и минимизации ущерба. В данной статье рассматривается применение логистической регрессии (ЛР) для оценки вероятности возникновения лесных пожаров. ЛР является эффективным инструментом, обладающим преимуществами в плане интерпретируемости, быстроты вычислений и гибкости в использовании различных типов данных. Несмотря на наличие более сложных моделей машинного обучения, таких как случайные леса, ЛР остается полезным методом для первичного анализа и моделирования. Результаты исследований показывают высокую точность предсказаний, что делает логистическую регрессию востребованным инструментом как в научных исследованиях, так и в практическом применении.
лесные пожары, прогнозирование пожаров, логистическая регрессия, метеорологические данные, машинное обучение, климатические изменения, управление рисками, температура, влажность, моделирование
1. Comparing machine learning algorithms to predict vegetation fire detections in Pakistan: сайт URL: https://fireecology.springeropen.com/articles/10.1186/s42408-024-00289-5 (дата обращения 23.10.2024).
2. Daily prediction modeling of forest fire ignition using meteorological drought indices in the Mexican highlands: сайт URL: https://iforest.sisef.org/contents/?id=ifor3623-014 (дата обращения 23.10.2024).
3. A Survey of the Machine Learning Models for Forest Fire Prediction and Detection: сайт URL: https://www.scirp.org/journal/paperinformation?paperid=126584 (дата обращения 23.10.2024).
4. Logistic regression versus XGBoost for detecting burned areas using satellite images: сайт URL: https://link.springer.com/article/10.1007/s10651-023-00590-7 (дата обращения 23.10.2024).
5. Применение модели логистической регрессии при принятии решений по определению количества привлекаемых сил на ликвидацию лесных пожаров: сайт URL: https://www.fire-smi.ru/jour/article/view/1408 (дата обращения 23.10.2024).
6. Формализация верификации топологии и электрической схемы для систем автоматизированного проектирования / Т. В. Скворцова, К. В. Зольников, А. М. Плотников, И. В. Скоркин // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 61-70. – DOIhttps://doi.org/10.12737/2219-0767-2024-59-68. – EDN DUYQHJ.
7. Парамонов, А. А. Исследование структуры тропического циклона на основе анализа данных спутникового видеоряда с применением метода почти периодического анализа / А. А. Парамонов, А. В. Калач, А. С. Кравченко // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 67-76. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-67-76. – EDN BOGSTY.
8. Асадов, Х. Г. Моделирование температурного поля при лесных пожарах / Х. Г. Асадов, Г. З. Байрамов // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 7-15. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-7-15. – EDN ECSUWP.
9. Сумин, В. И. Особенности выбора членов экспертной группы для анализа функционирования сложной организационной системы силовых структур / В. И. Сумин, А. С. Дубровин, И. С. Кущева // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 77-83. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-77-83. – EDN ISTAML.
10. Юрчишина, М. В. Алгоритмическая модель СППР «Оптимальный учебный план» / М. В. Юрчишина, К. И. Бушмелева // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 84-95. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-84-95. – EDN OJFBGD.
11. Реализация оптимального построения комбинационного устройства и оценка надежности по выходному напряжению / Ф.В. Макаренко, А.С. Ягодкин, К.В. Зольников, О.А. Денисова // Моделирование систем и процессов. – 2021. – Т. 14, № 4. – С. 130-139. – DOI:https://doi.org/10.12737/2219-0767-2021-14-4-130-139. EDN: https://elibrary.ru/DWSAIO
