Анализ риска лесных пожаров на основе данных ДЗЗ и гибридных методов машинного обучения

Задача прогнозирования риска лесных пожаров имеет высокую значимость вследствие масштабного ущерба, исчисляемого сотнями тысяч гектаров, бюджетных затрат на противопожарные мероприятия и необходимости рационального планирования природоохранных мероприятий. Использование данных дистанционного зондирования Земли (ДЗЗ) позволяет получать сопоставимую и актуальную информацию о состоянии растительности и почвенно-климатических условий, а интеграция этих данных с методами машинного обучения обеспечивает повышение объективности оценки рисков и обеспечивает мониторинг удаленных районов.
Исследование выполнено на примере Иркутской области с использованием данных космического мониторинга Sentinel-2A, исторических пожаров за 21 век, предоставленные ИКИ РАН [4], данных реанализа RDA [7,8], лесных регламентов [3], государственной статистики [2], пространственных данных геоинформационных систем [1,5,6]. Подготовка выборок включала формирование событий «пожар» и «отсутствие пожара», пространственно-временную агрегацию и интеграцию географических факторов: топографических, климатических, социальных и вегетационных. Для выделения значимых факторов применялись методы корреляционного анализа и проверки мультиколлинеарности.
Для верификации данных о лесных пожарах реализована модель оценки площадей возгораний на основе Random Forest и набора вегетационных индексов, характеризующих степень выгорания и восстановление растительности. Точность распознавания предложенной модели на валидационной выборке для территории Киренского района за 2019 год составила 0.975 по метрике Accuracy, F1-score – 0.962.
Модели прогнозирования риска лесных пожаров на всю территорию исследования разработаны на основе методов машинного обучения Case-based reasoning (CBR), Random Forest (RF). С использованием метода автоматического машинного обучения AutoML (AutoGluon) реализованы модели для отдельных четырех кластеров лесничеств, полученных на основе метода K-means, с учетом схожести влияния географических факторов на возникновение пожаров.
Гибридная модель объединяет алгоритмы RF, CBR и AutoML, обеспечивая тем самым адаптацию модели к особенностям различных кластеров территорий. Для первого кластера территорий результат классификации формируется медианным голосованием трех бинарных моделей. Для кластеров № 2 и № 4 используется модель Random Forest, для кластера № 3 – AutoML. Такое распределение моделей основано на сравнении их эффективности по метрикам F1-score и Accuracy. Реализованная стратегия позволила адаптировать модель к различным географическим условиям и уменьшить долю ошибочных прогнозов.
Точность предложенной гибридной модели произведена на тестовых данных за различные периоды: 2008, 2016 и 2024 г. и составила F1-score – 0.894, Accuracy –0.892 , что превышает показатели базовых моделей и аналогичных решений.
Гибридная модель интегрирована в автоматизированную информационную систему прогнозирования риска лесных пожаров, обеспечивающую сбор, верификацию и визуализацию данных. Разработанное решение позволяет оперативно оценивать уровень пожарной опасности и может быть масштабировано для территорий с аналогичными природно-климатическими характеристиками.
Работа выполнена в рамках гранта № 075-15-2024-533 Министерства науки и высшего образования РФ на выполнение крупного научного проекта по приоритетным направлениям научно-технологического развития (проект «Фундаментальные исследования Байкальской природной территории на основе системы взаимосвязанных базовых методов, моделей, нейронных сетей и цифровой платформы экологического мониторинга окружающей среды»).