В статье представлен сравнительный анализ методов машинного обучения для решения обратных задач оценки параметров моделей распространения пожаров прибрежно-водной растительности. Рассмотрены особенности моделирования пожаров тростниковых экосистем, связанные с высокой влажностью топлива и ограниченностью наблюдательных данных. Выполнен обзор подходов, основанных на суррогатном моделировании, ассимиляции данных и физически-информированных нейронных сетях (PINN). Показано, что гибридные методы, объединяющие физические модели и алгоритмы глубокого обучения, обладают наибольшим потенциалом для оценки параметров в условиях неопределённости. Полученные результаты могут быть использованы при разработке систем мониторинга и прогнозирования природных пожаров.
