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.

the rise in atmospheric carbon dioxide concentrations driven by natural and anthropogenic factors is one of the main causes of climate change, making accurate long-term forecasting of atmospheric carbon dioxide concentrations an important scientific challenge. In this study, we compared the performance of several machine learning methods for forecasting atmospheric carbon dioxide concentrations using time series data collected at the ZOTTO Station in Central Siberia in 2009–2022. We evaluated ensemble methods, including random forest and gradient boosting, together with a recurrent neural network based on the Long Short-Term Memory architecture. The predictor variables included fire intensity, a lag variable representing the number of days since the beginning of the observation period, and meteorological parameters, including air temperature, daily maximum and minimum temperatures, dew point temperature, relative humidity, wind speed, atmospheric pressure, and precipitation. The results showed that the Long Short-Term Memory model achieved higher forecasting accuracy on the validation dataset than the ensemble methods, with a 2.87 mean absolute error, .91 RMS error, and 0.83 coefficient of determination. We found that air temperature, relative humidity, dew point temperature, and wind speed were the most important predictors of atmospheric carbon dioxide concentrations.