ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ И ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РАСПОЗНАВАНИИ И ПРОГНОЗИРОВАНИИ ЛЕСНЫХ ПОЖАРОВ РОССИЙСКОЙ ФЕДЕРАЦИИ
Доцент кафедры “Информационно-измерительная техника” Южно-Уральского государственного университета, к.т.н., Кодиров Шахбоз Шарифович
kodirovss@susu.ru
Ученик МБОУ СОШ №8 имени М.И. Бусыгина, Кирпичев Владимир Эрнестович
kirpichev.vladimir@list.ru
Россия по праву считается лесной державой, на неё приходится 1/5 часть всех лесов мира, 1/2 часть всех хвойных лесов, леса занимают ~50% всей площади страны и составляют 1,2 млрд. Га. Защита лесных ресурсов от пожара является важной задачей управления лесным хозяйством. Основная причина гибели лесов - это пожары. На расходы по тушению лесных пожаров выделяются и тратятся огромные средства. По данным министерства природных ресурсов ущерб от лесных пожаров в 2021 составил 10.6 млрд рублей. Следует заметить, что реальный экономический ущерб от лесного пожара складывается не только из урона, нанесенного лесу, промышленным и другим объектам, но и из затрат, связанных непосредственно с тушением. Соответственно для того, чтобы минимизировать выше отмеченные ущербы и затраты, необходимо на ранних стадиях локализовать и ликвидировать пожары. Однако, для того чтобы на ранних стадиях предвидеть пожары (например, местоположение, тип пожара, возможное время возникновения), необходимо иметь достоверные прогнозы о рисках их возникновения. Для этого необходимо разработать систему мониторинга и прогнозирования рисков возникновения пожаров с применением передовых технологии обработки данных. Из сказанного выше становится очевидна огромная важность организации надёжной системы мониторинга и прогнозирования рисков возникновения пожаров для своевременного обнаружения и принятия мер по недопущению лесных пожаров, позволяющая минимизировать экономический, экологический (а в некоторых случаях и человеческий) ущерб [1-4].
Раньше проблема лесных возгораний являлась нерешимой ни в одной стране мира, поскольку условия возникновения пожара, характер его поведения и возможности его тушения зависят от сочетания множества самых разных факторов, как прямых, так и косвенных. Ныне существующие прогностические модели [3-6] имеют недостаточную точность прогнозирования, а также они построены на синтетических данных, что ограничивает их применять в реальных условиях. Кроме того, в существующих моделях не учитывается временные характеристики возникновения типов пожаров. Следовательно, необходимо разработать алгоритм обработки данных и модель прогнозирования лесных пожаров учитывающий временные и географические особенности территории Российской Федерации.
В представленной работе, предлагается новая методика разработки алгоритма обработки данных и модели прогнозирования лесных пожаров по времени и по локации их возникновения для территории Российской Федерации. В данной работе, применились самые передовые методы обработки данных, а также алгоритмы машинного обучения.
Основные результаты и выводы:
1. С применением алгоритма обработки данных и метода разведочного анализа данных (exploratory data analysis), выявлены неочевидные закономерности возникновения лесных пожаров, по времени и локации их возникновения. В частности, по графикам агрегированных значении возникновения лесных пожаров по месяцам года, по неделям года, по дням года, по дням месяца и дням недели, выявлены явные закономерности возникновения пожаров по времени.
2. С целью минимизации неполноты информации и повышения репрезентативности информации о возникновении лесных пожаров, на основе выявленных закономерностей, с применением инструментов «инженерия данных» (data engineering) были рассчитаны и введены дополнительные дискредитирующие элементы данных.
3. Для оценки статистической взаимосвязи между типами лесных пожаров и введенными элементами данных, рассчитаны парные коэффициенты корреляции и построена корреляционная матрица. По значениям коэффициентов корреляции, было установлено, что рассчитанные и введенные дополнительные элементы данных являются значимыми, и могут вполне использоваться в качестве входных данных для построения модели прогнозирования лесных пожаров.
4. На основе алгоритма «k-ближайших соседей (k-NN)», разработана модель прогнозирования лесных пожаров по времени и локации их возникновения. Разработанная модель на экспериментальных тестовых данных демонстрировал аккуратность (accuracy), точность (precision) и полноту (recall) прогнозирования от 0,82 до 0,925, что превосходит по точности традиционных методов на 15-20%.
5. С применением такого метода кластеризации как k-средних (k-means clustering), экспериментальные данные о лесных пожарах по времени и локации их возникновения были кластеризованы. Это было сделано для того, чтобы дополнительно оценить схожесть и различие между типами лесных пожаров.
Список литературы
1. Воробьев, Ю.Л. Лесные пожары на территории России: Состояние и проблемы/Ю.Л. Воробьев, В.А. Акимов, Ю.И. Соколов; Под общ. ред. Ю.Л. Воробьева; МЧС России. — М.: ДЭКС-ПРЕСС, 2004.
2. Коваль, Ю.Н. Анализ пожаров на территории Усинского лесничества / Коваль Ю.Н. Анализ пожаров на территории Усинского лесничества // Безопасность жизнедеятельности. - 2021. - №1 (421). - С. 50-53.
3. Станкевич, Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. - 2018. - Т. 22. - № 9. - С. 111-120.
4. Барталев, С.А., Стыценко, Ф.В., Егоров, В.А., Лупян, Е.А. Спутниковая оценка гибели лесов России от пожаров. – Лесоведение, – 2015. № 2, с. 83-94.
5. Бондур, В.Г., Гинзбург, А.С. Эмиссия углеродсодержащих газов и аэрозолей от природных пожаров на территории России по данным космического мониторинга. – Доклады Академии наук, – 2016. т. 466, № 4, с. 473-477. doi:10.7868/S0869565216040186.
6. Бондур, В.Г., Гордо, К.А., Кладов, В.Л. Пространственно-временные распределения площадей природных пожаров и эмиссий углеродсодержащих газов и аэрозолей на территории Северной Евразии по данным космического мониторинга. – Исследование Земли из космоса, – 2016. № 6, с. 3-20. Doi:10.7868/S0205961416060105.