Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Региональные проблемы дистанционного зондирования Земли; Красноярск; Красноярск
Год издания: 2025
Ключевые слова: Siberian silk moth, outbreak prediction, gradient boosting, сибирский шелкопряд, прогнозирование массовых размножений, градиентный бустинг
Аннотация: Сибирский шелкопряд является одним из самых опасных вредителей таежных лесов Сибири. Уменьшить масштаб наносимого им ущерба можно, подавляя очаги его массового размножения до достижения популяциями шелкопряда максимума численности. Однако для этого необходимо ведение мониторинга на больших площадях и в труднодоступных районах, что Показать полностьюневозможно реализовать на практике. Способом уменьшить площадь обследуемой территории является использование моделей, предсказывающих вероятное место и время появления очагов. Такие модели для южной тайги и подтайги Томской области и Красноярского края были разработаны с применением методов машинного обучения. В качестве предикторов положения очагов в пространстве использовали данные дистанционного зондирования Земли, описывающие теплообеспеченность участков, их положение в рельефе, растительность и расстояние от нарушенных древостоев. Для предсказания времени начала массового размножения лучшими предикторами были температурные характеристики вегетационного периода. Лучшие результаты показали модели, основанные на градиентном бустинге (алгоритм XGBoost). Площадь под кривой (ROC-AUC) и точность (accuracy) для них были на уровне 0,9, что позволяет при их использовании кардинально оптимизировать планирование мониторинга численности сибирского шелкопряда. Siberian silk moth is one of most harmful pests of Siberian taiga forests. To reduce the extent of its damage it is possible control its populations before they reach the maximal density. But it requires monitor the huge and remote territores and it is unrealistic. The way to reduce the monitored territory is usage of models to predict possible time and coordinates of outbreak foci. We have developed such machine learning models for southern taiga and subtaiga of Tomsk oblast and Krasnoyarsk krai. As predictors of outbreak coordinates we used the remote sensing data about heat balance, relief, vegetation type and distance from disturbed stands. To predict the time of outbreak start the better predictors are temperatures of vegetation period. The better models are based on gradient boosting (XGBoost). ROC-AUC and accuracy values are ca. 0,9. It is allow us to radically optimize the monitoring of Siberian silk moth populations.
Журнал: Региональные проблемы дистанционного зондирования Земли
Номера страниц: 137-140
Место издания: Красноярск