Глобальной проблемой, вызывающей озабоченность во всем мире, является обеспечение необходимого уровня пожарной безопасности лесов, что необходимо для устойчивого развития человечества во взаимодействии с окружающей средой. Особую актуальность данная проблема имеет для Российской Федерации, где лесные пожары являются причиной существенных материальных потерь для государства, оказывают негативное влияние на экономику страны, уровень жизнеобеспечения населения и на экологическую обстановку как в России, так и в мире.

С целью обеспечения требуемого уровня пожарной безопасности лесов в настоящее время выполняется научное исследование, посвященное повышению эффективности оперативного прогнозирования динамики развития лесного пожара.

В работе выполнен анализ современного состояния исследований в области прогнозирования лесных пожаров посредством изучения отечественных и зарубежных литературных источников [1-7]. На основании результатов анализа выявлено, что существующие модели делятся на три уровня в зависимости от целей моделирования и уровня принимаемых решений: на оперативные, тактические и стратегические. Установлено, что основными способами моделирования лесных пожаров является построение статистических моделей и математических моделей, при этом наиболее распространенными математическими моделями являются волновые. Волновые модели характеризуются тем, что в данных моделях процесс горения описывается с помощью принципа Гюйгенса, а скорость распространения пожара рассчитывается с использованием экспериментальных данных. Также достаточно широко на практике применяется имитационные модели лесного пожара.

В рамках исследования выполнен анализ ключевых особенностей основных традиционных моделей прогнозирования лесного пожара (статистических и математических моделей). Установлено, что существующие традиционные модели прогнозирования лесного пожара имеют ряд существенных недостатков (ограниченную функциональность в условиях нестационарности и неопределенности; низкую точность прогноза; значительные временные и вычислительные затраты; возможность учета только ограниченного набора факторов окружающей среды), что делает их малоприменимыми в условиях оперативного прогнозирования.

Недавний прорыв в области информационных технологий, обеспечивший активное развитие искусственного интеллекта (Artificial Intelligence, AI), систем обработки больших объемов данных (Big Data) и глубокого машинного обучения (Deep Machine Learning), создали беспрецедентные возможности для улучшения пожарной безопасности лесов в неформализуемых и слабоформализуемых критических ситуациях.

В настоящее время уже существуют и применяются как модели прогнозирования возникновения лесных пожаров, так и модели прогнозирования динамики развития с использованием нейросетевых технологий (например, работы [8] и [9]). Хотя данные модели позволяют устранить ряд недостатков, присущих традиционным моделям, предложенные модели имеют следующие основные недостатки:

1.  сложность и трудоемкость построения архитектуры сети;
2.  продолжительные временные затраты на выполнение процедуры обучения;
3.  трудности нахождения достаточного количества обучающих примеров при подготовке обучающей выборки;
4.  скрытый характер функционирования сети и др.

Учитывая вышеизложенные недостатки, предложено разработать метод оперативного прогнозирования динамики развития лесного пожара для повышения эффективности оперативного прогнозирования динамики развития лесного пожара при нестационарности и неопределенности посредством применения перспективных информационных технологий – AI и Deep Machine Learning (сверточная нейронная сеть).

Ключевой особенностью предложенного метода является выявление зависимостей влияния факторов окружающей среды, характера лесных насаждений и вида пожара на динамику развития лесного пожара путем применения сверточной нейронной сети. Данный тип сети позволит произвести анализ визуальных данных и выявить ключевые зависимости распространения лесного пожара от факторов внешней среды, характера лесных насаждений и вида пожара.

Согласно источникам [10-12] сверточная нейронная сеть (Convolutional Neural Network, CNN), предложенная впервые Яном Лекуном (Yann LeCun), представляет собой многослойную нейронную сеть, предназначенную для распознавания визуальных шаблонов непосредственно из пиксельных изображений. CNN входит в состав технологий глубокого обучения (Deep Machine Learning). Суть функционирования сверточной нейронной сети заключается в осуществлении последовательности переходов от конкретных особенностей изображения к более абстрактным деталям до понятий высокого уровня. Особенностью архитектуры сети, представленной на рисунке, является чередование сверточных слоев (C-layers), субдискретизирующих слоев (S-slayers) и полносвязных слоев (F-slayers) на выходе.

Рисунок – Архитектура сверточной нейронной сети CNN

В соответствии с [10-12] выбор сверточной нейронной сети для разработки метод оперативного прогнозирования динамики развития лесного пожара обусловлен тем, что:

1.  сеть CNN требует выполнения только минимальной предварительной обработки изображений;
2.  сеть CNN способна к самонастройке и самостоятельному выделению иерархии абстрактных признаков для выделения существенных деталей;
3.  сеть CNN обладает относительной устойчивостью к простым геометрическим преобразованиям (повороту и сдвигу), к искажениям распознаваемого изображения;
4.  сеть CNN обучается при помощи метода обратного распространения ошибки;
5.  сеть CNN имеет удобное распараллеливание вычислений;
6.  сеть CNN обладает высокой точностью при распознавании и классификации изображений;
7.  сеть CNN осуществляет обобщение информации за счет меньшего количества настраиваемых весов (в сравнении с перцептроном).

В ходе разработки метода оперативного прогнозирования динамики развитии лесного пожара осуществляется сбор визуальных данных о динамике развития лесного пожара с использованием информации Федерального агентства лесного хозяйства, Управления охраны и защиты лесов, МЧС России, базы данных ЕМИСС, Авиалесохраны и информации из источников в сети Интернет.

В настоящее время частично выполнен сбор визуальных данных о динамике развития лесного пожара и осуществлено формирование предварительной базы данных. База данных содержит визуальные данные и позволяет выполнять базовые действия по работе с базами: импорт, экспорт и просмотр данных.

В настоящее время планируется выполнить формирование итоговой базы данных и защитить результаты интеллектуальной деятельности посредством подачи заявки на государственную регистрацию базы данных.

Предполагается, что итоговая сформированная база станет ключевым элементом в процессе обучения сверточной нейронной сети CNN, предназначенной для выявления зависимостей влияния факторов окружающей среды, характера лесных насаждений и вида пожара на динамику развития лесного пожара.

Таким образом, в научном исследовании достигнуты следующие результаты:

1.  Выполнен анализ существующих традиционных моделей прогнозирования лесного пожара. Установлено, что существующие традиционные модели прогнозирования лесного пожара имеют ряд существенных недостатков (ограниченную функциональность в условиях нестационарности и неопределенности; низкую точность прогноза и т.п.), что ограничивает их применение в условиях оперативного прогнозирования.
2.  Обоснована необходимость разработки метода оперативного прогнозирования динамики развития лесного пожара, учитывающего влияние факторов окружающей среды, характера лесных насаждений и вида пожара при нестационарности и неопределенности с использованием перспективных информационных технологий – искусственного интеллекта (AI) и глубокого машинного обучения (Deep Machine Learning).
3.  Частично выполнен сбор визуальных данных о динамике развития лесного пожара и осуществлено формирование предварительной базы визуальных данных.

Благодарность

Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-37-00035 «мол_а».

Литература

1.  Гришин А.М. Математическое моделирование лесных пожаров и новые способы борьбы с ними. Новосибирск: Наука, Сибирское отделение, 1992. 405 с.
2.  Катаева Л.Ю. Анализ динамических процессов аварийных ситуаций природного и техногенного характера: дис. … д-ра физ.-мат. наук. Нижний Новгород: НГТУ им. Р.Е. Алексеева, 2009. 328 с.
3.  Перминов В.А. Математическое моделирование возникновения верховых и массовых лесных пожаров: дис. … д-ра физ.-мат. наук. Томск: Томский госуниверситет, 2010. 282 с.
4.  Масленников Д.А. Особенности математического моделирования распространения лучистого теплового потока от очага горения при лесных пожарах на неоднородном рельефе: дис. … канд. физ.-мат. наук. Нижний Новгород, 2012. 109 с.
5.  Welcome to FireGrowthModel.ca [Электронный ресурс] / Ahead of Wildland Fire. URL: http://firegrowthmodel.ca (дата обращения: 31.03.2018).
6.  Farsite [Электронный ресурс] / Fire, Fuel, Smoke Science Program. Rocky Mountain Research Station. URL: https://www.firelab.org/project/farsite (дата обращения: 31.03.2018).
7.  Finney, M.A. ‘An overview of FlamMap fire modeling capabilities’. Andrews, Patricia L.; Butler, Bret W., comps. 2006. Fuels Management-How to Measure Success: Conference Proceedings. 28-30 March 2006; Portland, OR. Proceedings RMRS-P-41. Fort Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station. p. 213-220. URL: https://www.fs.fed.us/rm/pubs/rmrs_p041/rmrs_p041_213_220.pdf (дата обращения: 2.04.2018).
8.  Коморовский В.С. Контроль и прогнозирование параметров крупных лесных пожаров как динамических процессов на поверхности Земли: дис. … канд. техн. наук. Красноярск: Сибирский государственный технологический университет, 2010. 154 с.
9.  Ясинский Ф.Н., Потёмкина О.В., Сидоров С.Г., Евсеева А.В. Прогнозирование вероятности возникновения лесных пожаров с помощью нейросетевого алгоритма на многопроцессорной вычислительной технике / Вестник ИГЭУ, 2011. № 2. 4 с. URL http://ispu.ru/files/str.82-84_0.pdf (дата обращения: 31.03.2018).
10.  Krizhevsky, A., Sutskever, I., and Hinton, G. ‘Imagenet classification with deep convolutional neural networks’. Advances in Neural Information Processing Systems, 2012. 9 p. URL:   https://www.cs.toronto.edu/~fritz/absps/imagenet.pdf  (дата обращения).
11.  LeCun, Y. ‘LeNet-5, convolutional neural networks’ [Электронный ресурс]. URL: http://yann.lecun.com/exdb/lenet/ (дата обращения: 2.04.2018).
12.  Hamed Habibi Aghdam, and Elnaz Jahani Heravi. ‘Guide to Convolutional Neural Networks. A Practical Application to Traffic-Sign Detection and Classification’. Springer International Publishing, 2017. 282 p.