Požari v naravi predstavljajo vse večjo grožnjo Sredozemlju. Naloga se osredotoča na dnevno napovedovanje požarov v naravi v Kalabriji, južni Italiji, s primerjavo petih tehnik modeliranja: linearne regresije, regresije z Gaussovimi procesi (GPR), algoritma ekstremnega gradientnega spodbujanja (XGBoost), nevronske mreže z dolgim kratkoročnim spominom (LSTM) in transformer modela (Transformer). Analiza temelji na podatkih, podanih v obliki mreže z ločljivostjo 100 metrov, ki združuje agregirane požare in dnevne meritve podnebnih spremenljivk za osem območij in celotno regijo. Vsi modeli so bili umerjeni in validirani, ocena njihove uspešnosti pa je bila podana s korenom povprečne kvadratne napake (RMSE), povprečno absolutno napako (MAE), determinacijskim koeficientom (R²), analizo rezidualov in odstotkom natančnega ujemanja (Exact-Match). Na ravni posameznih območij se je kot najstabilnejši izkazal model XGBoost, ki je dosegel najvišje uvrstitve z do 86% natančnega ujemanja in R² vrednostmi do 0.595. Linearna regresija je dosegla najboljšo učinkovitost na območju 1, kar kaže na močne linearne povezave med podnebnimi spremenljivkami in požari. Metode globokega učenja (LSTM in Transformer) niso ponudile izboljšav v primerjavi z enostavnejšimi metodami, medtem ko je GPR na splošno pokazal nižjo natančnost. Na ravni celotne regije je GPR dosegel najboljšo regionalno ujemanje z R² = 0.836 in RMSE = 2.41 požarov/dan, medtem ko je XGBoost dosegel najvišjo dnevno natančnost z MAE = 1.42 požara/dan in 41.3% natančnega ujemanja. Rezultati kažejo, da so drevesni modeli/klasifikatorji z upoštevanjem časovnih zamikov najzanesljivejša izbira za napovedovanje požarov v Kalabriji, saj zagotavljajo natančne napovedi, ostajajo enostavni za razlago in so računsko učinkoviti. Skrbna priprava vhodnih podatkov zmanjšuje potrebo po zapletenih modelih ter omogoča konkurenčnost enostavnejših pristopov.
|
