Інтеграція мультимодального аналізу куба даних для прогнозування глобальних лісових пожеж

Abstract

Магістерська кваліфікаційна робота виконана студенткою групи КНСШ-12 Досяк Іриною Олегівною. Тема «Інтеграція мультимодального аналізу куба даних для прогнозування глобальних лісових». Робота направлена на здобуття ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є застосування та порівняння здатності до точного прогнозування глобальних лісових пожеж двох різноманітних підходів машинного навчання на основі аналізу куба даних SeasFire Cubes. Об’єктом дослідження є глобальні лісові пожежі й ознаки з куба даних SeasFire Cubes, що впливають на виникнення та поширення пожеж. Предмет дослідження – методи машинного навчання і їхнє застосування задля аналізу куба даних SeasFire Cubes з метою прогнозування глобальних лісових пожеж, а також порівняння ефективності двох різних підходів до прогнозування на основі цього набору даних. Наукова цінність роботи у вивченні нового джерела даних: робота грунтується на аналізі куба даних SeasFire Cubes, що розроблений спеціально для сезонних прогнозів пожеж у глобальному масштабі. Вивчення цих даних допоможе краще розуміти його можливості та обмеження. Практична цінність роботи полягає у eфективності реагування на пожежі: раннє і точне прогнозування лісових пожеж дозволить швидко мобілізувати ресурси, зменшуючи матеріальні збитки та ризик для життя людей. Загальний обсяг роботи: 69 сторінок, 15 рисунків, 25 посилань. Wildfires continue to pose severe threats to ecological systems, communities, and economies worldwide. Early and accurate prediction of wildfire occurrences is crucial for effective preparedness and response strategies. This study investigates the application of machine learning methods to predict global wildfire events, utilizing the SeasFire Cubes dataset — a scientific datacube designed explicitly for seasonal fire forecasting on a global scale. Data cubes, representing three-dimensional data (time, latitude, and longitude) with 54 features, present a holistic view of the Earth's climate variables, published on. Leveraging this dataset, we explore two distinct machine learning approaches to provide a comparative analysis of their predictive capabilities. In the first approach, we treat the burned area forecasting as a segmentation task, where a subset of SeasFire Cube features is represented with spatial dimensions 128*128 pixels. As a second option, we represent the features extracted from SeasFire Cube as a table and apply traditional machine learning algorithms, e.g., linear regression. The outcomes of this research contribute valuable insights into the potential of machine learning for wildfire predictions. By evaluating different approaches on the SeasFire Cubes dataset, we offer a thorough and meaningful comparison of their performance. This comparative analysis assists wildfire management and emergency response agencies in making informed decisions regarding the adoption of machine learning methodologies based on data availability and prediction requirements. The direct comparison of two diverse approaches using the same data facilitates the extraction of best practices from each method, potentially leading to the development of new machine learning models based on these insights Total volume of work: 69 pages, 15 figures, 25 links.