Как цитировать
Аннотация
рост концентрации углекислого газа в атмосфере, обусловленный как природными, так и антропогенными воздействиями, является одной из ключевых причин изменения климата, что делает проблему точного долгосрочного прогнозирования выбросов принципиально важным вопросом современной науки. В работе выполнен сравнительный анализ эффективности различных методов машинного обучения для прогнозирования временных рядов концентрации углекислого газа на основе данных научной обсерватории «Станция высотной мачты» в Центральной Сибири за период 2009–2022 гг. Рассмотрены ансамблевые модели: случайный лес, градиентный бустинг — и рекуррентная нейронная сеть с архитектурой долгой краткосрочной памяти. В качестве предикторов использованы интенсивность пожаров, лаговая переменная (количество дней от начала наблюдений) и метеорологические параметры: температура воздуха, максимальная и минимальная температура за день, температура точки росы, относительная влажность, скорость ветра, атмосферное давление, количество осадков. Показано, что архитектура нейронной сети долгой краткосрочной памяти обеспечивает более высокую точность прогноза на валидационной выборке по сравнению с ансамблевыми методами (средняя абсолютная ошибка: 2,87, среднеквадратичная ошибка: 3,91, коэффициент детерминации: 0,83). Установлено, что наиболее значимыми предикторами являются температура воздуха, относительная влажность, температура точки росы и скорость ветра.