МЕДВЕДЕВ Дмитрий Валерьевич, адъюнкт
196105, г. Санкт-Петербург, Московский пр-т, 149
Scopus: 57197819511
Dmitriy V. MEDVEDEV, Graduate
Moskovskiy Ave., 149, Saint-Petersburg, 196105
Scopus: 57197819511
МАТВЕЕВ Александр Владимирович, канд. техн. наук, доцент, заведующий кафедрой прикладной математики и информационных технологий
196105, г. Санкт-Петербург, Московский пр-т, 149
Scopus: 57197819511
Alexander V. MATVEEV, Cand. Sci. (Eng.), Assistant Professor, Head of Department of Applied Mathematics and Information Technologies
Moskovskiy Ave., 149, Saint-Petersburg, 196105
Scopus: 57197819511
СМИРНОВ Алексей Сергеевич, д-р техн. наук, профессор, первый заместитель начальника
196105, г. Санкт-Петербург, Московский пр-т, 149
Alexey S. SMIRNOV, Dr. Sci. (Eng.), Professor, First Deputy Head
Moskovskiy Ave., 149, Saint-Petersburg, 196105
Введение. Прогнозирование количества привлекаемых сил для ликвидации и локализации лесных пожаров является важной и актуальной задачей, оказывающей влияние на эффективность проводимых работ. Однако применение традиционных методов статистического прогнозирования не позволяет получить достоверную оценку целевого показателя в связи с отсутствием ряда признаков при анализе, следствием чего выступает снижение эффективности принимаемых решений.
Цель. Исследование возможности применения модели логистической регрессии для принятия решений о количестве привлекаемых сил на локализацию и ликвидацию лесных пожаров на начальной стадии пожара.
Методы исследования. Применение метода логистической регрессии оценивалось на основе базы данных о лесных пожарах на территории Ленинградской области в период с 2015 по 2023 г., в которой было выделено 16 признаков. Модель логистической регрессии позволяет обучаться на данных, имеющих различные виды распределения, среди которых биноминальное, пуассоновское, Бернулли и другие виды распределения. Математический аппарат, используемый в модели, позволяет оценить апостериорные вероятности для отнесения объектов обучения к соответствующим классам.
Результаты и их обсуждение. Представлены итоги оценки обучения модели в виде матриц ошибок и отчетов о классификации, выполнена визуализация границ решений для случаев использования двух и трех признаков. Результаты показали, что наилучшей точности удалось достичь при использовании всех доступных признаков.
Выводы. Исследование данных лесных пожаров на территории Ленинградской области показало, что присутствуют факторы, которые не учитываются при составлении планов привлечения сил и средств. Применение моделей машинного обучения и, в частности, логистической регрессии, предложенной в данном исследовании, позволяет повысить обоснованность и оперативность принимаемых решений по определению количества привлекаемых сил при лесных пожарах.
Introduction. Forecasting the number of involved forces for elimination and localization of forest fires is an important and urgent task that affects the efficiency of the work carried out. However, the use of traditional methods of statistical forecasting does not allow to obtain a reliable assessment of the target indicator, due to the lack of a number of features in the analysis, the consequence of which is a decrease in the effectiveness of decisions.
Objective. Investigation of the possibility of applying the logistic regression model to make decisions on the number of forces to be used for localization and suppression of forest fires at the initial stage of the fire.
Research methods. The application of the logistic regression method was evaluated on the basis of a database of forest fires in the territory of the Leningrad region in the period from 2015 to 2023, in which 16 features were identified. The logistic regression model allows training on data with different types of distribution, including binomial, Poisson, Bernoulli and other types of distribution. The mathematical apparatus used in the model allows us to estimate the posterior probabilities for assigning training objects to the appropriate classes.
Results. The results of the model training evaluation in the form of error matrices and classification reports are presented as results, and visualization of the decision boundaries for the cases of using two and three features is performed. The results show that the best accuracy was achieved using all available features.
Conclusion. The research of forest fires data in the Leningrad region has shown that there are factors that are not taken into account when making plans for the involvement of forces and resources. The use of machine learning models and, in particular, logistic regression, proposed in this study, can improve the validity and efficiency of decisions to determine the number of forces to be involved in forest fires.
The authors declare that there are no conflicts of interest present.