XIV международная научно-практическая конференция молодых учёных и специалистов «ПРОБЛЕМЫ ТЕХНОСФЕРНОЙ БЕЗОПАСНОСТИ – 2025»·Проблемы прогнозирования и ликвидации чрезвычайных ситуаций природного и техногенного характераУДК 351.744.5

Поддержка принятия решений при реагировании на ландшафтные пожары

Decision support in responding to landscape fires

  1. 1 ФГБОУ ВО Санкт-Петербургский университет ГПС МЧС России
3 марта 2025 3 просмотров 6 мин чтения
Аннотация

В статье рассматривается вопрос информационной поддержки принятия решений при ландшафтных пожарах с применением методов машинного обучения и нечеткой логики. Необходимость информационной поддержки ЛПР(лицо принимающее решение) обосновывается для двух этапов, при подготовке к пожароопасному периоду, а также при реагировании действующий пожары. Возможность обработки больших данных позволит повысить обоснованность и оперативность принимаемых решений за счет анализа больших данных

#ландшафтные пожары#принятие решений#информационная поддержка#машинное обучение
Abstract

The article discusses the issue of information support for decision-making in landscape fires using machine learning and fuzzy logic methods. The need for information support from the decision maker is justified for two stages, in preparation for a fire-prone period, as well as in responding to fires. The ability to process big data will increase the validity and efficiency of decisions made by analyzing big data.

#landscape fires#decision-making#information support#machine learning
Полный текст1088 слов

Ландшафтные пожары являются неконтролируемым процессом горения в природной среде, представляя серьезную угрозу для жизни и здоровья людей, экологической обстановки, экономической стабильности, нарушая социальное благополучия пострадавшего населения.

Федеральным законом от 22.12.2020 N 454-ФЗ "О внесении изменений в отдельные законодательные акты Российской Федерации в части совершенствования деятельности в области пожарной безопасности" были внесены важные поправки в определение понятия ландшафтные пожары, в следствие чего лесные пожары рассматриваются как одна из разновидностей ландшафтного пожара.

Анализ ландшафтных пожаров на территории Ленинградской области за период с 2014 по 2024 год на основании данных ИСДМ Рослесхоз, позволил построить карту пожаров, представленную на рисунке 1.

Рисунок 1. Интерактивная карта пожаров на территории Ленинградской области

Ленинградская область является не самым густолесным субъектом Российской Федерации, уступая по площади лесных насаждений областям Урала, Сибири и других регионов. Существующие угрозы и частота ландшафтных пожаров подчеркивают необходимость разработки и реализации эффективных стратегий управления реагирование на пожары. Возможность применения современных технологий, систем раннего предупреждения, спутникового мониторинга позволяет упростить процесс принятия решений при реагировании, однако для обработки больших объемов разнородных данных необходимо применение современных подходов, одним из которых является машинное обучение, а также методы нечеткой логики для формирования информационной поддержки лица принимающего решения [1].

Принятие решений при угрозе лесных пожаров является сложной, нетривиальной задачей, требующей оперативной реакции для обеспечения требуемой эффективности при реагировании [2, 3].

Предлагается рассмотреть два этапа формирования решений:

- в период подготовки к пожароопасному сезону;

- при реагировании на действующие пожары.

Принятие решений на этапе подготовки к пожароопасному сезону основывается на статистическом анализе больших данных за период последних 15-20 лет. Статистический анализ и визуализация больших данных могут быть проведены с применением языков программирования, содержащих необходимые библиотеки, одним из таких является Python, позволяющий:

  1. Проводить анализ данных с применением таких библиотек как, NumPy, используемый для вычислительных операций над массивом данных, Pandas, применяемый для обработки табличных данных, SciPY, основанный на библиотеке NumPy с большим числом функций и др.

  2. Проводить визуализацию больших данных с применением библиотек Matplotlib, Seaborn, Plotly. Возможность совместного применения библиотек анализа и визуализации представляет эффективный инструмент предоставления наглядных данных.

Ежегодное совещание КЧС и ОПБ (комиссия по предупреждению и ликвидации чрезвычайных ситуаций и обеспечению пожарной безопасности) перед пожароопасным периодом проводится в соответствии с планом работы КЧС И ОПБ с целью корректировки превентивных мероприятий при угрозе ландшафтных пожаров. Предлагается повысить степень информационной обеспеченности органов управления при определении ключевых превентивных мер за счет возможностей анализа и визуализации больших данных, рисунок 2.

Рисунок 2. Информационное обеспечение органов управления при подготовке к пожароопасному периоду

Представление дополнительной информации в наглядном виде за длительный период позволит повысить обоснованность утверждаемых превентивных мероприятий, корректировать планы тушения на различных уровнях.

Принятие решений при реагировании на действующие ландшафтные пожары требует высокой степени оперативности формирования предложений в следствии чего предлагается использование методов машинного обучения для прогнозирования, классификации, кластеризации на основании больших данных. Применение машинного обучения позволит использовать исторические данные для получения необходимой информации о возможных последствиях пожара, на основании которых могут приниматься решения о введения уровня реагирования на ландшафтные пожары, введения режима ЧС.

Осуществление прогнозирования, классификации или кластеризации исторических данных может быть проведено с применением библиотек языка программирования Python, среди которых Scikit-learn, Tensorflow, Pytorch, Keras. Каждая из библиотек позволяет построить модели машинного обучения, в том числе нейронные сети, используемые для прогнозирования или классификации необходимых показателей [4].

На рисунке 3 представлен процесс построения моделей машинного обучения для обработки исторических данных при реагировании на ландшафтные пожары. Исходными данными являются признаки ландшафтного пожара, которые могут быть как количественными, так и качественными.

Рисунок 3. Процесс обработки исторических данных с помощью машинного

обучения

Полученные результаты машинного обучения могут быть непосредственно применены для принятия решений, однако существует необходимость построения гибридной системы поддержки принятия решений, сочетающей в себе машинное обучение и нечеткую логику для формирования возможных решений на основании машинного обучения.

Основной сложностью построения подобной системы является необходимость построения обоснованной базы правил, для чего необходимо привлечение группы экспертов в области борьбы с ландшафтными пожарами. Однако применение нечеткой логики позволит формировать перечень решений без необходимости самостоятельной обработки результатов машинного обучения, снижая сложность восприятия информации ЛПР.

Таким образом, принятие решений при ландшафтных пожарах является задачей, требующей комплексного подхода, учитывающего множество факторов. Сложность обработки и интерпретации больших объемов информации приводит к снижению оперативности и как следствие эффективности принятых решений. Возможность применения современных подходов, таких как машинное обучение, нечеткая логика, учитывающих исторический опыт позволит построить интеллектуальную систему поддержки принятия решений при реагировании на ландшафтные пожары.

Список литературы

  1. Медведев, Д. В. Модель прогнозирования лесных пожаров на основе нейро-нечеткой системы ANFIS / Д. В. Медведев // Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России". – 2023. – № 4. – С. 185-198. – DOI 10.61260/2218-130X-2024-2023-4-185-198. – EDN MXLKBI.

  2. Матвеев, А. В. Принятие решений при пожарах в горной местности: Сравнительный анализ методов мониторинга / А. В. Матвеев, Р. Т. Матиев // Национальная безопасность и стратегическое планирование. – 2023. – № 2(42). – С. 76-90. – DOI 10.37468/2307-1400-2023-2-76-90. – EDN QPRUWC.

  3. Колпаков, В. Ф. Применение нечеткого моделирования для информационной поддержки принятия решений при ликвидации лесных пожаров / В. Ф. Колпаков // Пожаровзрывобезопасность. – 2017. – Т. 26, № 7. – С. 65-73. – DOI 10.18322/PVB.2017.26.07.65-73. – EDN ZIDWQZ.

  4. Медведев, Д. В. Применение модели логистической регрессии при принятии решений по определению количества привлекаемых сил на ликвидацию лесных пожаров / Д. В. Медведев, А. В. Матвеев, А. С. Смирнов // Пожаровзрывобезопасность. – 2024. – Т. 33, № 4. – С. 84-96. – DOI 10.22227/0869-7493.2024.33.04.84-96. – EDN MJLVTY.

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.