В работе исследуется подход интеллектуального анализа данных (ИАД) для прогнозирования стихийного бедствия при степных пожарах. Рассматриваются несколько различных методов анализа данных и как минимум пять различных специальных методов выбора признаков (пространственные, временные, компоненты канадского индекса пожаров, погодные атрибуты и собственные разработанные классы на языке разработки нейросетей). На данный момент протестированы программные комплексы анализа на реальных данных, собранных в южных районах Калмыкии. В исследовании будут использованы открытые данные метеостанций, собственные временные ряды, собранные в течение последних трех лет, проверены различные методы интеллектуального анализа данных и как минимум пять метеорологических входов, что позволит прогнозировать сгоревшую область небольших и средних пожаров, область пыльных бурь и т.п. Такие прогнозы особенно полезны для улучшения управления ресурсами пожаротушения (например, приоритетность целей для воздушных и наземных пожарных экипажей) и реагирования на другие природные ЧП. В результате построены прогнозы на базе метеоданных и годовых данных по пожарам за период с 2015 по 2020 г. Результаты показывают, что модель дерева решений является наиболее подходящим кандидатом для модели прогнозирования степных пожаров. Выбранная модель учитывает как метеорологические данные, так и изображения для раннего прогнозирования пожаров системы FIRMS.

In fire monitoring systems, Internet of Things sensors allow predicting the area of fire in combination with machine learning. This article provides an insight into the use of machine learning models in predicting steppe fires. The work uses statistical methods for forecasting time series.. At the moment, data mining software systems have been tested on real data collected in the southern regions of Kalmykia. The study used open data from meteorological stations, our own database time series collected over the past 3 years, tested various data mining methods and at least five meteorological inputs, which will allow predicting a burnt area of small and medium fires, an area of dust storms, etc. As a result, forecasts are based on weather data and annual fire data for the period from 2015 to 2020. The results show that the k Nearest Neighbor model is the most appropriate choice for the steppe fire forecasting model. The chosen model takes into account both meteorological data and images for early forecasting of FIRMS fires.