Оценка и картографирование природной пожарной опасности лесов России на основе спутниковых данных и тематических продуктов их обработки

Построена карта природной пожарной опасности лесов России на основе общедоступных спутниковых данных и тематических продуктов их обработки с применением статистического подхода, а именно модели случайного леса. В работе учитывалось 26 предикторов: климатические условия территории на основе данных проектов WorldClim (среднегодовая и среднемесячная температура воздуха и количество осадков), реанализа ERA5-Land (высота снежного покрова, скорость ветра), и данных системы грозопеленгации WWLLN за 2010-2024 гг. (молниевая активность); характеристики лесного покрова − доля площади лесов с разными преобладающими породами по данным Карты растительности России ИКИ РАН, а также надземная биомасса по данным проекта GlobBiomass; Характеристики рельефа (абсолютная высота и уклон по цифровой модели рельефа GEBCO); Характеристики почвенного покрова (доля почв с различным гранулометрическим составом) по данным глобальной цифровой карты почв DSMW; Освоенность территории (плотность населения, дорог, ЛЭП)
В качестве целевой прогнозируемой переменной использован архив термоточек NASA FIRMS по данным сенсора MODIS за 2001-2024 гг, которые были отфильтрованы по маске лесопокрытой территории(на основе карты растительности России за 2023 г.). Также были отфильтрованы вероятные техногенные источники тепла, которые расположены в промышленных зонах согласно данным OpenStreetMap.
Для всей территории страны построена регулярная сетка с ячейкой 10×10 км, в ячейках которой вычислялось значение предикторов и целевой переменной. Объем выборки составил 142278 ячеек. Прогнозирование выполнялось в двух постановках: регрессия — предсказание количества пожаров в ячейке, и классификация — выделение зон низкого, среднего и высокого риска пожаров. Выборка случайным образом разделена на обучающую (80%) и тестовую (20%).
Модель регрессии показала R2 на тестовых данных 0.6662 и RMSE 35.58 , относительная ошибка 1.39 . Наиболее значимыми предикторами оказались доля лесов с преобладанием лиственницы в ячейке, средняя высота снежного покрова в апреле и мае, наземная биомасса и осадки за март - апрель.
Классификационная модель достигла следующих показателей точности: Accuracy 0.7711, F1 0.7506, Precision 0.7850. Наиболее значимыми предикторами стали средняя температура воздуха в июле, доля лесов с преобладанием лиственницы в ячейке и высота снежного покрова в весенние месяцы.
Реализация Random Forest выполнена средствами python, библиотеки scikit-learn. Полученные результаты подтверждают известные закономерности распространения лесных пожаров по территории России, а также наибольшую значимость для прогноза пожароопасности таких предикторов, как породный состав леса и внутригодовое распределение осадков. Совершенствование модели предполагается в направлении учета новых предикторов, в частности районирования территории России на зоны наземного, авиационного и космического мониторинга, наличие систем обнаружения пожаров на основе веб-камер и других, которые определяют возможность раннего обнаружения пожаров