Atmosphere: Моделирование атмосферы для прогнозирования лесных пожаров
Модели машинного обучения и искусственного интеллекта стали популярными для прогнозирования изменения климата. Лесные регионы Калифорнии и Западной Австралии всё чаще сталкиваются с интенсивными лесными пожарами, в то время как другие части мира - с различными проблемами, связанными с климатом. Для решения этих проблем были разработаны модели машинного обучения и искусственного интеллекта для прогнозирования рисков лесных пожаров и поддержки стратегий смягчения последствий. Это исследование сосредоточено на разработке моделей прогнозирования лесных пожаров с использованием алгоритмов классификации одного класса. К ним относятся машина опорных векторов, изоляционный лес, автокодировщик, вариационный автокодировщик, глубокое описание опорных векторов и обнаружение аномалий с помощью состязательного обучения. Модели были протестированы с помощью пятикратной перекрёстной проверки для минимизации смещения при выборе обучающих и тестовых данных. Результаты показали, что эти модели машинного обучения с одним классом превзошли модели машинного обучения с двумя классами, основанные на тех же наземных данных, достигнув среднего уровня точности от 90% до 99%. Кроме того, авторы использовали значения Шепли для определения наиболее значимых особенностей, влияющих на модели прогнозирования лесных пожаров, что внесло новый взгляд на исследования прогнозирования лесных пожаров. При анализе моделей, обученных на наборе данных Калифорнии, критическими факторами оказались сезонные максимальные и средние температуры точки росы. Эти идеи могут значительно улучшить стратегии смягчения последствий лесных пожаров. Кроме того, авторы сделали эти модели доступными и удобными для пользователя, задействовав их через REST API с использованием Python Flask 1.1.2 и разработав веб-инструмент.