Главная
АИ #47 (333)
Статьи журнала АИ #47 (333)
Использование методов машинного обучения для оценки очагов пожарной безопаснос...

Использование методов машинного обучения для оценки очагов пожарной безопасности лесов по спутниковым и метеорологическим данным

16 ноября 2026

Цитирование

Федоренко А. О. Использование методов машинного обучения для оценки очагов пожарной безопасности лесов по спутниковым и метеорологическим данным // Актуальные исследования. 2026. №47 (333). URL: https://apni.ru/article/16413-ispolzovanie-metodov-mashinnogo-obucheniya-dlya-ocenki-ochagov-pozharnoj-bezopasnosti-lesov-po-sputnikovym-i-meteorologicheskim-dannym

Аннотация статьи

В статье рассмотрены вопросы построения и оценки модели вероятности пожарной активности в ячейках сетки на территории Иркутской области в пожароопасный сезон (апрель – сентябрь). Модель градиентного бустинга LightGBM (Light Gradient Boosting Machine) обучена на спутниковых данных об очагах VIIRS (Visible Infrared Imaging Radiometer Suite) из системы NASA FIRMS (Fire Information for Resource Management System) и на метеорологических признаках реанализа, качество оценено кросс-валидацией по годам (2020–2022). Полная модель достигла площади под ROC-кривой (ROC-AUC) 0,905–0,928 и площади под кривой «точность – полнота» (PR-AUC) 0,533–0,561 при доле положительного класса 6,4–8,3%, а в 10% ячеек-суток с наибольшим оценённым риском оказывалось 57–69% зарегистрированных очагов. Сочетание пространственной предрасположенности территории и погодных условий даёт существенно лучшее качество, чем каждый из этих источников по отдельности, что позволяет использовать модель для картирования пожарной опасности.

Текст статьи

Введение

Лесные пожары – один из главных факторов нарушения лесных экосистем Сибири. Их число и площадь сильно различаются от года к году, а силы и средства обнаружения и тушения ограничены, поэтому для планирования мониторинга важно заранее знать, в каких районах и при каких условиях вероятность пожара наибольшая.

Для оценки пожарной опасности используют как индексы, рассчитываемые по метеорологическим величинам, так и статистические модели и методы машинного обучения, которые обучаются на данных о зарегистрированных пожарах и описывающих условия признаках (погода, рельеф, растительность, близость к дорогам и населённым пунктам). Результатом таких моделей обычно служит карта вероятности пожара (карта пожарной восприимчивости, fire susceptibility map). Важно подчеркнуть, что подобные модели оценивают вероятность пожарной активности в данной территории и при данных условиях, но не предсказывают точное место и момент возгорания.

Целью работы является построение и оценка модели вероятности пожарной активности для Иркутской области на открытых данных при минимальных вычислительных затратах. Для достижения цели решались следующие задачи: сформировать набор данных на основе спутниковых очагов и реанализа погоды; обучить и сравнить модели; оценить качество по годам и с доверительными интервалами; выявить вклад пространственных и метеорологических признаков; построить карту риска.

Объекты и методы исследования

Исследование охватывает Иркутскую область в пожароопасный сезон (с 1 апреля по 30 сентября). Границы региона взяты из OpenStreetMap [8]. Для построения модели использовались данные сезонов 2019–2022 годов.

Сведения об очагах получены из архива NASA FIRMS со спутника Suomi NPP (прибор VIIRS, разрешение 375 м). Из 1,37 млн записей за 2019–2023 годы были отфильтрованы данные с низкой достоверностью и точки за пределами области. В итоге для обучения модели (2019–2022 гг.) осталось 444824 очага. Половина из них пришлась на аномальный 2019 год, а 80% – на июль и август.

Суточные метеорологические показатели (температура, влажность, осадки, ветер и испарение ET0) взяты через Open-Meteo Historical Weather API, который опирается на реанализы ERA5 [2]. Данные собирались для 227 узлов регулярной сетки (шаг 0,5° × 1°) внутри области. Для расчета накопленных признаков загрузка начиналась с 15 марта. Данные за 2023 год не использовались из-за лимитов API.

Основной единицей анализа стала "ячейка-сутки" (конкретный узел сетки и календарный день). Если в радиусе узла (ячейка примерно 55 на 50–70 км) за сутки возникал хотя бы один пожар, метке присваивалось значение 1, в противном случае – 0.

Набор данных включает 166164 записи, из которых 8,8% – с пожарами. Доля пожароопасных дней снижалась от 12,7% в 2019 году до 6,4% в 2022-м. Для каждой ячейки-сутки рассчитано 13 признаков, включая накопленные значения за предыдущие дни.

Таблица 1

Признаки модели

Группа

Признаки

Суточные метеорологические

максимальная и средняя температура воздуха на высоте 2 м; средняя относительная влажность воздуха; сумма осадков; максимальная скорость ветра на высоте 10 м; эталонная эвапотранспирация ET0

Накопленные за предыдущие сутки

сумма осадков за 7 и 14 суток; средняя максимальная температура за 7 суток; число суток подряд без значимых осадков (менее 1 мм)

Календарные и пространственные

месяц; широта и долгота узла сетки

Использованные алгоритмы. Основной моделью стал градиентный бустинг LightGBM [3] (400 деревьев, скорость обучения 0,05). Для сравнения применялась логистическая регрессия. Чтобы понять, что важнее для прогноза – погода или география, обучили две упрощенные версии LightGBM: одну только на метеорологических данных, другую – только на координатах и месяце.

Чтобы модель не «подглядывала» в соседние дни одного сезона, проверку проводили кросс-валидацией по годам (leave-one-year-out). Каждый из сезонов 2020–2022 по очереди становился тестовым, а остальные (2019–2021) – обучающими. Для 2022 года это полностью имитировало реальный прогноз на будущее.

Показатели точности. Качество оценивалось по трем метрикам:

ROC-AUC (0,905–0,928): насколько хорошо модель отличает дни с пожарами от дней без них.

PR-AUC (0,533–0,561): точность при поиске редких событий. Этот показатель в 6–9 раз выше уровня случайного угадывания (0,064–0,083).

Охват топ-10%: модель смогла собрать 57–69% всех реальных пожаров года, проанализировав лишь 10% самых рискованных участков. При этом вероятность пожара внутри этой группы достигала 44–47% (против 6–8% в среднем по области).

Оценка надежности. Устойчивость результатов для 2022 года проверили блочным бутстрепом [4]: недели сезона 500 раз случайно перевыбирались целыми блоками. Это позволило рассчитать 95%-е доверительные интервалы и статистически подтвердить, что полная модель значительно превосходит вариант, учитывающий только географию.

Интерпретация и карты риска. Вклад каждого фактора в прогноз оценили с помощью SHAP-значений на данных за 2022 год. Для визуализации алгоритм строит карты, где прямоугольные ячейки вокруг узлов сетки окрашиваются по вероятности пожара. На карты наносили маркеры десяти самых опасных участков и фактические очаги за эти же сутки. Все расчеты выполнены на Python с использованием библиотек pandas, scikit-learn, LightGBM, SHAP и Folium.

Обсуждение результатов. Полная модель, объединяющая погоду и пространственные данные, стабильно превосходила все остальные варианты в каждом тестовом году. Она не только дает высокие значения метрик, но и концентрирует большую часть реальных возгораний в малой доле территории, что делает ее пригодной для оперативного картирования пожарной опасности.

Таблица 2

Качество моделей по тестовым годам (кросс-валидация по годам)

Тестовый год

Модель

ROC-AUC

PR-AUC

Охват топ-10 %

2020 доля пожаров 0,083

Погода и месяц (без координат)

0,772

0,233

0,343

Место и месяц (координаты)

0,849

0,490

0,504

Полная модель (LightGBM)

0,906

0,533

0,572

Логистическая регрессия

0,761

0,209

0,303

2021 доля пожаров 0,079

Погода и месяц (без координат)

0,738

0,184

0,305

Место и месяц (координаты)

0,841

0,503

0,510

Полная модель (LightGBM)

0,905

0,559

0,586

Логистическая регрессия

0,730

0,187

0,294

2022 доля пожаров 0,064

Погода и месяц (без координат)

0,712

0,160

0,301

Место и месяц (координаты)

0,838

0,379

0,493

Полная модель (LightGBM)

0,928

0,561

0,688

Логистическая регрессия

0,700

0,164

0,301

В среднем по трём тестовым годам модель «Погода и месяц» и логистическая регрессия показали близкое и заметно более низкое качество (PR-AUC 0,19 в обоих случаях; ROC-AUC 0,74 и 0,73), модель «Место и месяц» заняла промежуточное положение (PR-AUC 0,46; ROC-AUC 0,84), а полная модель – наилучшее (PR-AUC 0,55; ROC-AUC 0,91). Близость логистической регрессии к модели «Погода и месяц» говорит о том, что выигрыш полной модели связан не с самой по себе нелинейностью, а с сочетанием пространственного и метеорологического признаков.

Таблица 3

Метрики на тестовом сезоне 2022 года (в скобках 95 %-й доверительный интервал)

Модель

ROC-AUC

PR-AUC

Охват топ-10 %

Погода и месяц (без координат)

0,712 [0,665; 0,750]

0,160 [0,102; 0,218]

0,301 [0,227; 0,353]

Место и месяц (координаты)

0,838 [0,809; 0,869]

0,379 [0,310; 0,459]

0,493 [0,442; 0,573]

Логистическая регрессия

0,700 [0,649; 0,743]

0,164 [0,100; 0,223]

0,301 [0,225; 0,354]

Полная модель (LightGBM)

0,928 [0,915; 0,938]

0,561 [0,500; 0,609]

0,688 [0,627; 0,741]

Надежность прогноза и ключевые факторы

Статистическая достоверность. Проверка методом блочного бутстрепа для 2022 года показала узкие доверительные интервалы (табл. 3). Полная модель достоверно превосходит упрощенные варианты: ее интервалы качества не пересекаются с интервалами моделей "Погода и месяц" и логистической регрессии.

Добавление метеорологических данных к координатам статистически значимо повышает точность. Разница в охвате топ-10% составила +0,178 [+0,127; +0,224], а в метрике PR-AUC – +0,172 [+0,116; +0,230]. Однако этот эффект сильно меняется от года к году: в 2020 году прирост PR-AUC составил 0,04, в 2021 – 0,06, а в 2022 – сразу 0,18. Вероятно, причина в том, что для 2022 года модель обучалась только на прошлых сезонах и хуже знала пространственную картину пожаров, поэтому настолько высокий прирост погоды не стоит считать типичным.

Анализ SHAP (рис. 1) определил главные факторы прогноза. Наибольшее влияние оказывают географические координаты (широта и долгота). Из погодных параметров сильнее всего на оценку риска влияют:

  • Повышают риск: эталонное испарение, отсутствие осадков за 14 суток и высокая температура (включая среднюю максимальную за неделю). Рост температуры и испарения при падении влажности закономерно увеличивают вероятность огня.
  • Снижают риск: увеличение суммы осадков за 7 и 14 суток.
  • Слабо влияют: скорость ветра, число дней без дождя и суточные осадки. При этом направление влияния ветра и осадков одного дня неоднозначно и требует отдельного изучения.

image.png

Рис. 1. Вклад признаков в прогноз модели LightGBM (значения SHAP, тестовый сезон 2022 года)

Поскольку признаки, описывающие осадки и температуру за разные периоды, взаимосвязаны, важность отдельных признаков следует трактовать осторожно; значения SHAP отражают то, на что опирается модель, но не причинные связи.

Карта пожарной опасности

Пример карты риска для суток с пиковой активностью пожаров показан на рисунке 2. Цвет каждой ячейки меняется от светло-желтого (низкая вероятность) до темно-красного (высокая). На карту нанесены десять участков с наибольшим прогнозируемым риском (маркеры) и фактические очаги VIIRS за эти же сутки (черные точки), а черная линия обозначает границу области.

Стоит учитывать, что для карты выбраны аномально активные сутки, поэтому она иллюстрирует работу алгоритма в экстремальных условиях и не отражает типичную обстановку. Большинство зон высокого риска сосредоточено в южной и юго-западной частях области – именно там в этот день возникло больше всего пожаров. Как правило, прогнозные маркеры совпадают со скоплениями реальных очагов. В то же время северные и восточные районы получили низкую оценку опасности.

image.png

Рис. 2. Оценённая вероятность пожарной активности по ячейкам сетки в выбранные сутки

Это сопоставление носит качественный характер. Количественные показатели точности модели приведены в таблицах 2 и 3.

Заключение

На открытых данных о спутниковых очагах VIIRS и реанализе погоды построена модель градиентного бустинга, оценивающая вероятность пожарной активности в ячейках сетки на территории Иркутской области. При кросс-валидации по годам полная модель достигла ROC-AUC 0,905–0,928 и PR-AUC 0,533–0,561; в 10% ячеек-суток с наибольшим оценённым риском приходилось 57–69% зарегистрированных очагов. Абляционный анализ показал, что пространственный признак и погода дополняют друг друга: по отдельности они обеспечивают существенно более низкое качество. По итогам построена карта риска с выделением наиболее опасных ячеек. Основными ограничениями остаются грубое пространственное разрешение, определение метки как наличия очага и отсутствие данных о рельефе, растительности и антропогенных факторах; их учёт – направление дальнейших исследований.

Список литературы

  1. NASA FIRMS: Fire Information for Resource Management System [Электронный ресурс]. URL: https://firms.modaps.eosdis.nasa.gov (дата обращения: 14.10.2026).
  2. OpenStreetMap contributors [Электронный ресурс]. URL: https://www.openstreetmap.org (дата обращения: 14.10.2026).
  3. Алгоритмы градиентного бустинга против рекуррентных сетей в задачах прогнозирования [Электронный ресурс]. URL Алгоритмы градиентного бустинга против рекуррентных сетей в задачах прогнозирования - Жилина Е.В., Ефимова Е.В. и др. / Информатизация в цифровой экономике / № 1, 2025 – Первое экономическое издательство – (дата обращения: 14.10.2026).
  4. Градиентный бустинг [Электронный ресурс]. URL: Градиентный бустинг – Учебник по машинному обучению (дата обращения: 14.10.2026).

Поделиться

5
Обнаружили грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики)? Напишите письмо в редакцию журнала: info@apni.ru

Похожие статьи

Другие статьи из раздела «Информационные технологии»

Все статьи выпуска
Актуальные исследования

#47 (333)

Прием материалов

14 ноября - 20 ноября

осталось 3 дня

Размещение PDF-версии журнала

25 ноября

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

9 декабря