¹Федеральный центр анализа и оценки техногенного воздействия, Научно-исследовательский центр по редким и исчезающим видам животных и растений (филиал), Москва, Россия
²Институт биологических проблем Севера ДВО РАН, Магадан, Россия
³Московский физико-технический институт, Москва, Россия
⁴Курский государственный медицинский университет, Курск, Россия

Аннотация. Проведен сравнительный анализ регрессионных моделей машинного обучения для прогнозирования изменений относительной численности природных популяций красной полевки на один год вперед. Для обучения, валидации и тестирования моделей случайного леса и многослойного персептрона использовали демографические и климатические данные для восточного сектора Субарктики в целом, а также отдельно для двух пунктов региона. Каждый набор данных, содержащий ежегодные наблюдения за различными показателями, в модели представлен как вектор признаков (целевой признак – относительная численность на один год вперед; предикторы – популяционные и климатические данные), без привязки к временной структуре. При традиционном прогнозировании временных рядов будущие значения получают на основе последовательности прошлых значений, в то время как предсказание по векторам рассматривает каждое наблюдение как отдельную точку в пространстве признаков, формируя векторные представления данных. Показано, что многослойный персептрон демонстрирует лучшие результаты и точность прогноза по всем выборкам. Случайный лес характеризуется меньшей устойчивостью и точностью. В целом по региону и отдельным пунктам предпочтительнее использовать нейросетевые методы, например, многослойный персептрон. В случае необходимости выполнения быстрого моделирования или интерпретируемости можно использовать модель случайного леса. На примере популяций красной полевки показано, что точный прогноз относительной численности мелких грызунов на один год вперед можно получить, используя ограниченный по времени набор данных о состоянии популяций и условиях их обитания. Модели машинного обучения могут применяться для решения задач эпидемиологии и защиты растений.

Ключевые слова: машинное обучение, случайный лес, многослойный персептрон, прогноз численности, Myodes rutilus