Группа исследователей из Франции представила новую систему прогнозирования лесных пожаров на основе машинного обучения, которая впервые использует порядковую классификацию для оценки тяжести возгораний. Работа опубликована на arXiv.org 6 января 2026 года. Основной результат — предложенный подход существенно улучшает точность моделей в предсказании редких, но наиболее разрушительных пожаров высокой интенсивности.
Ключевым нововведением стало изучение влияния функции потерь на способность нейросетей предсказывать экстремальные события. Учёные сравнили стандартную перекрёстную энтропию с несколькими функциями, учитывающими порядок классов тяжести. Наилучший результат показала Weighted Kappa Loss, которая дала прирост более чем на 0.1 по метрике IoU для самых экстремальных классов при сохранении качества калибровки модели. Также была предложена новая функция потерь TDeGPD, основанная на усечённом дискретном экспоненцированном распределении Парето.
Проблема прогнозирования лесных пожаров особенно сложна из-за сильного дисбаланса данных: катастрофические пожары случаются редко, но наносят наибольший ущерб. Традиционные методы машинного обучения часто плохо справляются с предсказанием таких редких событий. Новый подход, учитывающий не только факт пожара, но и его потенциальную тяжесть, напрямую соответствует потребностям оперативных служб, которым важна градация риска для принятия решений.
Несмотря на улучшения, авторы отмечают, что предсказательная способность для самых редких событий всё ещё ограничена из-за их крайне малой представленности в данных. Дальнейшая работа будет сосредоточена на включении в модель сезонных динамик и информации о неопределённости прогнозов для повышения надёжности системы в целом.
