Прогнозирование площади горения лесного пожара с помощью машинного обучения

Целью настоящей работы является создание и обучение искусственной нейронной сети на основе набора данных, содержащих различные климатические параметры и будущую площадь пожара в качестве выходного прогнозируемого параметра. Такой набор данных является, как правило, доступным для исследования и изучения. Перед обучением модели нейронной сети набор данных разделяют на две выборки ― выборка для обучения, которая составляет около 90 % от набора, и выборка для тестирования обученной модели. В постановке задачи авторы выбирают и анализируют известные данные о пожарах в парке Монтезиньо (Montesinho), сравнивают модели, обученные на этих данных с нормализацией и без нее. В качестве результата приведены два примера графиков изменения абсолютной ошибки площадей пожара, прогнозируемых с помощью созданной и обученной модели.

1. Cortez, P. A Data Mining Approach to Predict Forest Fires using Meteorological Data / P. Cortez, A. Morais [Электронный ресурс] // Dep. Information Systems/Algoritmi R&D Centre University of Minho. — Режим доступа: http://www3.dsi.uminho.pt/pcortez/fires.pdf (дата обращения: 10.06.2019).

2. Библиотеки для глубокого обучения: Keras [Электронный ресурс] // Open Data Science. — Режим доступа : https://habr.com /ru/company /ods/blog /325432/ (дата обращения: 10.06.2019).

3. Лутц, М. Изучаем Python / М. Лутц. ― Санкт-Петербург : Символ-Плюс, 2011. ― 1280 с.

4. Мюллер, А. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными / А. Мюллер, С. Гвидо. ― Санкт-Петербург : ООО «Альфа-книга», 2017. ― 480 с.

5. Губенко, И. М. Сравнительный анализ методов расчета индексов пожарной опасности / И. М. Губенко, К. Г. Рубинштейн [Электронный ресурс] // Гидрометеорологический научноисследовательский центр Российской Федерации. ― Режим доступа : http:// method.meteorf.ru/publ/tr/tr347 /gubenko.pdf (дата обращения: 10.06.19).

6. Кин, Б. А Масштабирование функций с помощью scikit-learn [Электронный ресурс] / Бен Алекс Кин. — Режим доступа : http:// benalexkeen.com/ feature-scaling-with-scikit-learn/ (дата обращения: 10.06.2019).

7. Есипов, Ю. В Логическое и параметрическое моделирование предпосылок и установление меры определенности реализации происшествия в системе / Ю. В. Есипов, М. С. Джиляджи, А. И. Черемисин // Безопасность в техносфере ― 2017. ― Т. 6, № 2. ― С. 3–11.

8. Есипов, Ю. В. Модели и показатели техносферной безопасности / Ю. В. Есипов, Ю. С. Мишенькина, А. И. Черемисин. ― Москва : ИНФРА, 2018. ― 154 с.