Анализ научных подходов прогнозирования возникновения и распространения пожаров на основе машинного обучения



В статье рассмотрены современные научные подходов прогнозирования возникновения и распространения пожаров на основе машинного обучения. Приведены примеры прогнозирования временного ряда с использованием скорректированных моделей машинного обучения. Сделан вывод, что подходы оперативного прогнозирования на базе искусственного интеллекта и глубокого машинного обучения играют важную роль в борьбе с природными пожарами, обеспечивая более эффективное и точное прогнозирование и помогая минимизировать последствия возгораний.

Ключевые слова: современные технологии, прогнозирование, распространение пожаров, машинное обучение, язык программирования.

Тема прогнозирования лесных пожаров не нова. Однако в последние годы внимание СМИ к этой теме возросло, поскольку беспрецедентные сезоны лесных пожаров привели к масштабным разрушениям местных экосистем и сообществ. Согласно данным Федерального агентства лесного хозяйства только за одну неделю летом 2023 года в 45 регионах России лесопожарные силы и привлеченные лица ликвидировали 354 лесных пожара на площади 5783,2 га 4. Из-за дыма при возгораниях ежегодно умирают около 300 тысяч человек. В результате сгорании биомассы образуется аэрозольно-газовая смесь, представляющая эколого-токсикологический риск для человека. Эти события имеют далеко идущие последствия как для качества воздуха, так и для выбросов парниковых газов.

Прогнозирование лесных пожаров является крайне важным аспектом для предотвращения разрушительных последствий, которые они могут принести. С учетом увеличения количества лесных пожаров и их масштабов в последние годы, необходимо развивать более точные и эффективные методы прогнозирования.

Одним из ключевых аспектов прогнозирования является использование современных технологий и методов анализа данных. Моделирование погоды, анализ изменений климата, мониторинг состояния лесов и другие инструменты могут помочь в определении вероятности возникновения лесных пожаров в конкретном регионе. Важно также учитывать социально-экономические факторы, такие как наличие населенных пунктов, инфраструктуры и туристических объектов, для определения потенциальных угроз и последствий от лесных пожаров.

Для успешного прогнозирования необходимо также учитывать опыт и знания местных сообществ и специалистов в области лесного хозяйства. Их участие в процессе сбора данных, анализа информации и разработки стратегий предотвращения и тушения пожаров может значительно повысить эффективность прогнозирования.

В целом, развитие точных и доступных прогнозов лесных пожаров является необходимым шагом для обеспечения безопасности и сохранения экосистем. Постоянное совершенствование методов прогнозирования и их оперативное использование позволят минимизировать ущерб от лесных пожаров и защитить окружающую среду от негативных последствий.

Интеграция машинного обучения в системы прогнозирования погоды дает значительное улучшение качества прогнозов и повышает точность предсказаний. Этот подход может быть также применен в прогнозировании лесных пожаров, учитывая их сложную динамику и зависимость от различных факторов, таких как погодные условия, состояние лесов, наличие сухой растительности и т. д.

Использование машинного обучения позволяет анализировать большие объемы данных, выявлять закономерности и тренды, а также строить модели, которые могут помочь в прогнозировании вероятности возникновения лесных пожаров. Это позволит оперативно реагировать на потенциально опасные ситуации, принимать меры по их предотвращению и своевременной ликвидации.

Таким образом, разработка системы прогнозирования лесных пожаров с использованием методов машинного обучения может значительно улучшить эффективность мероприятий по предупреждению и борьбе с чрезвычайными ситуациями, связанными с возгораниями в лесах.

Для анализа больших объемов данных со сложной структурой существует множество подходов, но одним из наиболее эффективных инструментов являются языки программирования, специализированные на работе с данными. Среди таких языков выделяются Python, R и Julia, которые позволяют решать множество задач в области Data Science, машинного обучения и big data. Python занимает лидирующие позиции среди этих языков благодаря своей простоте изучения и широкой области применения. Он позволяет эффективно обрабатывать данные, создавать модели машинного обучения и проводить анализ результатов. Язык R предоставляет богатые возможности библиотек для статистической обработки данных, визуализации и создания отчетов. Он широко используется в академических и исследовательских целях, а также в индустрии для анализа данных. Julia отличается высокой скоростью работы, что делает его привлекательным выбором для работы с большими объемами данных. Он также хорошо подходит для разработки алгоритмов машинного обучения и оптимизации.

В целом, все три языка программирования — Python, R и Julia — предоставляют широкие возможности для работы с данными и машинным обучением. Они являются свободно распространяемыми и имеют открытый исходный код, что способствует их популярности среди специалистов по анализу данных.

Большой интерес представляет научная работа ученых ФГБОУ ВО Сибирская пожарно-спасательная академия ГПС МЧС России Бабёнышева С. В., Малютина О. С. и Матерова Е. Н. «Прогнозирование временных рядов на основе методов машинного обучения в вопросах обеспечения природной и техносферной безопасности» 1. «В статье представлен обзор современных возможностей анализа и моделирования временных рядов на примерах прогнозирования количества пожаров и уровня подъема воды в реках с помощью современных методов машинного обучения в среде программирования R. Особенность данного моделирования состоит в возможности использования нескольких моделей одновременно, что позволяет автоматизировано выбирать модели с наименьшими погрешностями» 1.

«Язык программирования R является свободно распространяемым языком, актуальную версию которого можно загрузить и установить с сайта https://www.r-project.org/. Для работы c R также необходима IDE (интегрированная среда разработки), в качестве которой можно использовать RStudio (доступно по адресу: https://rstudio.com/) или Visual Studio Code (доступно по адресу: https://code.visualstudio.com/)» 1.

Рис. 1. Пример прогнозирования временного ряда с использованием скорректированных моделей машинного обучения

Авторы статьи приходят к выводу, что «используя возможности языка программирования R можно не только разрабатывать модели прогнозирования, но и в последующем делать на их основе актуальные аналитические веб-сервисы на основе R Markdown и Shiny для практического применения прогнозов, что представляется перспективным направлением повышения эффективности принимаемых решений органами управления подразделениями МЧС России при организации тушения пожаров и ликвидации ЧС» 1.

Специалисты Исследовательского центра в сфере искусственного интеллекта на базе «Сколтеха» разрабатывают свою систему моделирования возникновения и развития лесных пожаров. «В качестве алгоритма в системе использовали сверточные нейронные сети. Они позволяют работать с изображениями и выявлять определенные признаки и характеристики, а также прогнозировать динамику развития событий. Для прогноза пожаров они идеально подходят. На вход сверточной нейронной сети подаются изображения, представляющие определенные наборы пространственных характеристик. На входе необходимы два типа данных — статические признаки перед началом пожара и динамические во время развития пожара, которые ежедневно обновляются. Источники статических данных очень разнородные. Так, сведения о характеристиках растительного покрова, а именно индексе листовой поверхности, доле поглощенной ФА-радиации (фотосинтетически активная радиация — часть доходящей до биоценозов солнечной радиации, используемая растениями для фотосинтеза) и NDVI (normalized difference vegetation index, нормализованный вегетационный индекс) предоставляют спутники» 2.

Рис. 2. Пример прогноза распространения пожара 2

При прогнозировании пожаров важно учитывать не только статические признаки, такие как тип растительности и наличие потенциально опасных материалов, но и динамические факторы, такие как погодные условия. Дневная и ночная температура, направление ветра, влажность и количество осадков имеют существенное влияние на поведение огня и его распространение.

Для того чтобы создать модель прогнозирования пожаров на основе этих данных, необходимо обучить ее на основе подробных сведений о прошлых пожарах. Эти данные должны содержать информацию о том, как пожар развивался на конкретной территории при известных погодных условиях, включая его направление движения, скорость распространения и другие характеристики. Кроме того, для достоверности данных необходимо использовать информацию, зафиксированную либо наблюдателями на месте, либо полученную из спутниковых изображений.

Использование такой модели прогнозирования позволит оперативно предсказывать возможные места возникновения пожаров и их дальнейшее распространение, что поможет эффективно бороться с ними и минимизировать ущерб для окружающей среды и жизни людей.

Горизонт прогнозирования составляет 5 дней, и шаг прогноза равен 1 дню. Другой разработанный подход оценивает вероятность возникновения пожара, основываясь на наблюдениях за предыдущую неделю. Прогноз также делается на 5 дней вперед. Представленные алгоритмы в будущем позволят меньшими усилиями бороться с природными пожарами и оперативно реагировать на наиболее пожароопасные участки 2.

Интересно исследование израильских ученых Я. Майкла, Д. Хелмана, О. Гликмана, Д. Габайа, С. Бреннера, И. М. Ленского «Прогнозирование риска пожара с помощью машинного обучения и динамической информации, полученной из временных рядов спутникового индекса растительности» 6. Авторы указывают, что картирование риска пожара — отображение вероятности возникновения и распространения пожара — важно для управления до возникновения пожара, а также для эффективного тушения. Большинство карт риска возникновения пожаров создаются с использованием статической информации о таких переменных, как топография, плотность растительности и мгновенная влажность топлива. Для предоставления такой информации часто используются спутники. Однако долгосрочная динамика растительности и совокупный уровень засушливости древесной растительности, которые могут повлиять на возникновение и распространение пожаров, редко учитываются при составлении карт пожароопасности. Здесь исследуется влияние двух полученных со спутников показателей, которые представляют долгосрочное состояние и динамику растительности, на картографирование риска возникновения пожаров — долгосрочного среднего индекса нормализованной разницы растительности (NDVI) древесной растительности (NDVIW) и его тенденции (NDVIT). NDVIW представляет собой среднюю плотность древесины в ячейке сетки, в то время как NDVIT представляет собой 5-летний тренд NDVI древесности, представляющий долгосрочный статус засушливости растительности. Для получения этих показателей ученые разлагают временные ряды спутникового NDVI, следуя методу, скорректированному для средиземноморских лесов. Далее проходит проверка, улучшают ли эти показатели отображение риска возникновения пожаров, используя три алгоритма машинного обучения (ML) (логистическая регрессия, Случайный лес и XGBoost). Для анализа были выбраны лесные пожары 2007 года в Греции. Результаты показывают, что XGBoost, который учитывает переменные взаимодействия и нелинейные эффекты, был моделью ML, которая дала наилучшие результаты. NDVIW улучшил производительность модели, в то время как NDVIT был значительным только тогда, когда NDVIW был высоким. Это взаимодействие NDVIW-NDVIT означает, что долгосрочный эффект сухости имеет смысл только в местах с густой древесной растительностью. Предлагаемый метод позволяет создавать более точные карты риска возникновения пожара, чем обычные методы, и может предоставлять важную динамическую информацию, которая может быть использована в моделях поведения при пожаре.

В работе В. А. Филиппенко и А. В. Зотова «Прогнозирование площади горения лесного пожара с помощью машинного обучения. Безопасность техногенных и природных систем» 5 представлена модель искусственной нейронной сети на наборе данных, содержащих различные климатические параметры и будущую площадь пожара в гектарах. Эта площадь является выходным параметром, который авторы собираются прогнозировать. Как правило, такой набор данных доступен для исследования и изучения. Перед обучением модели нейронной сети набор данных разделяли на две выборки: выборка для обучения, которая составляет около 90 % от набора, и выборка для тестирования обученной модели. В постановке задачи авторы выбирают и анализируют известные данные о произошедших пожарах в парке Монтезиньо (Montesinho), сравнивают модели, обученные на этих данных, с нормализацией и без нее.

Также в исследования прогнозирования пожаров на основе машинного обучения большой вклад вносит работа Т. В. Станкевич «Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения» 3. Цель данной работы состоит в повышении эффективности оперативного прогнозирования динамики развития лесного пожара при нестационарности и неопределенности посредством разработки метода оперативного прогнозирования на базе искусственного интеллекта (Artificial Intelligence) и глубокого машинного обучения (Deep Machine Learning). Для решения поставленной задачи использованы методы системного анализа, методы теории нейронных сетей и глубокое машинное обучение. В ходе исследования было установлено, что использование сверточной нейронной сети для оперативного прогнозирования динамики развития лесного пожара позволяет значительно повысить эффективность мониторинга и управления чрезвычайными ситуациями. Анализ данных, полученных с помощью сканирующих радиометров MODIS и VIIRS, показал, что свёрточная нейронная сеть способна точно предсказывать распространение огня в реальном времени. Кроме того, важным фактором успешного прогнозирования оказалось использование данных о факторах окружающей среды, характере лесных насаждений и виде пожара. Эти параметры позволяют более точно определить вероятность распространения огня и направление его движения. Таким образом, разработанный метод оперативного прогнозирования динамики развития лесного пожара с использованием сверточной нейронной сети является эффективным инструментом для предотвращения чрезвычайных ситуаций и минимизации ущерба от лесных пожаров.

Таким образом, использование искусственного интеллекта и глубокого машинного обучения в оперативном прогнозировании лесных пожаров открывает новые возможности для более точного анализа данных и выявления скрытых зависимостей. Алгоритмы машинного обучения способны обрабатывать большие объемы информации и выявлять закономерности, которые могут остаться незамеченными при традиционных методах анализа.

Анализ визуальных данных позволяет учитывать различные факторы, такие как тип лесного покрова, погодные условия, топография местности и другие, которые могут влиять на распространение пожара. Это позволяет создать более точные модели прогнозирования, которые могут помочь в предотвращении и борьбе с лесными пожарами. Использование искусственного интеллекта также позволяет автоматизировать процесс анализа данных и ускорить принятие решений. Быстрая реакция на начало пожара может значительно сократить ущерб и спасти жизни людей.

Таким образом, разработанные подходы оперативного прогнозирования на базе искусственного интеллекта и глубокого машинного обучения играют важную роль в борьбе с лесными пожарами, обеспечивая более эффективное и точное прогнозирование и помогая минимизировать последствия возгораний.

Литература:

1. Бабенышев, С. В. Прогнозирование временных рядов на основе методов машинного обучения в вопросах обеспечения природной и техносферной безопасности / С. В. Бабенышев, О. С. Малютин, Е. Н. Матеров // Сибирский пожарно-спасательный вестник. — 2021. — № 1(20). — С. 75–83.
2. Разработка моделей машинного обучения для прогнозирования возникновения и распространения природных пожаров Электронный ресурс. — Режим доступа: https://gravitation.ai/ (дата обращения: 10.04.2024).
3. Станкевич Татьяна Сергеевна Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник ИрГТУ. 2018. № 9 (140). URL: https://cyberleninka.ru/ (дата обращения: 13.04.2024).
4. Федеральное агентство лесного хозяйства России Электронный ресурс. — Режим доступа: https://rosleshoz.gov.ru/ (дата обращения: 01.04.2024).
5. Филиппенко В. А., Зотов А. В. Прогнозирование площади горения лесного пожара с помощью машинного обучения // Безопасность техногенных и природных систем. 2019. № 3. URL: https://cyberleninka.ru/ (дата обращения: 13.04.2024).
6. Michael Y, Helman D, Glickman O, Gabay D, Brenner S, Lensky IM. Forecasting fire risk with machine learning and dynamic information derived from satellite vegetation index time-series. Sci Total Environ. 2021 Apr 10;764:142844. doi: 10.1016/j.scitotenv.2020.142844. Epub 2020 Oct 8. PMID: 33158519.