РАЗРАБОТКА МЕТОДА ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ ДИНАМИКИ РАЗВИТИЯ ЛЕСНОГО ПОЖАРА ПОСРЕДСТВОМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯ

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). МЕТОДЫ. Для решения поставленной задачи использованы методы системного анализа, методы теории нейронных сетей и глубокое машинное обучение. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. Для обеспечения формирования эффективного оперативного прогноза в сложных условиях (в условиях неопределенности и нестационарности) разработан метод оперативного прогнозирования динамики развития лесного пожара, предполагающий построение и настройку свёрточной нейронной сети - СНС (или Convolutional neural network - CNN). В работе описана общая логическая схема предлагаемого метода. Для построения и настройки сети использованы: данные о пожаре, полученные в режиме реального времени с помощью сканирующих радиометров MODIS и VIIRS, установленных на метеоспутниках; данные о факторах окружающей среды, характере лесных насаждений и виде пожара. ВЫВОДЫ. Разработанный метод оперативного прогнозирования на базе искусственного интеллекта и глубокого машинного обучения позволяет выполнить анализ визуальных данных и выявить ключевые зависимости распространения лесного пожара от факторов внешней среды, характера лесных насаждений и вида пожара.

лесной пожар, оперативное прогнозирование, искусственный интеллект, глубокое машинное обучение, свёрточная нейронная сеть, метод прогнозирования, неопределенность, нестационарность

1. Единая межведомственная информационно-статистическая система (ЕМИСС) [Электронный ресурс]. URL: https://fedstat.ru/ (30.05.2018).

2. Гришин А.М. Математическое моделирование лесных пожаров и новые способы борьбы с ними. Новосибирск: Наука, 1992. 404 с.

3. Масленников Д.А., Катаева Л.Ю. Моделирование лесных пожаров в трехмерной системе координат с учетом рельефа // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 4 (5). С. 2338-2340.

4. Перминов В.А. Математическое моделирование возникновения и распространения верховых лесных пожаров в осредненной постановке // Журнал технической физики. 2015. Т. 85. № 2. С. 24-30.

5. Рылкова О.И., Катаева Л.Ю., Масленников Д.А., Романова Н.А., Рылков И.В., Лощилов А.А. Численное моделирование лесного пожара в лесах Высокоборского лесничества Борского района Нижегородской области [Электронный ресурс] // Современные проблемы науки и образования. 2013. № 6. URL: http://www.science-education.ru/ru/artic-le/view?id=11671 (30.05.2018).

6. Welcome to FireGrowthModel.ca [Электронный ресурс]. URL: http://firegrowthmodel.ca (30.05.2018).

7. Farsite [Электронный ресурс]. URL: https://www.firelab.org/project/farsite (30.05.2018).

8. Finney M.A., Andrews P.L., Butler B.W., comps. An overview of FlamMap fire modeling capabilities [Электронный ресурс] // Proceedings RMRS-P-41. 2006. pp. 213-220. URL: https://www.fs.fed.us/rm/pubs/rmrs_p041/rmrs_p041_213_220.pdf (30.05.2018).

9. Ходаков В.Е., Жарикова М.В. Лесные пожары: методы исследования. Херсон: Гринь Д.С., 2011. 470 с.

10. Source Code for the EMBYR Wildfire Simulation Model [Электронный ресурс]. URL: https://www.geobabble.org/~hnw/embyr/ (30.05.2018).

11. Коморовский В.С., Доррер Г.А. Методика расчета параметров лесных пожаров как динамических процессов на поверхности земли с использованием данных космического мониторинга // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2010. № 3. С. 47-50.

12. 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 Ивановского государственного энергетического университета им. В.И. Ленина. 2011. № 2. С. 82-84.

13. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks [Электронный ресурс]. Advances in Neural Information Processing Systems, 2012. 9 p. URL: https://www.cs.toronto.edu/~fritz/absps/imagenet.pdf (30.05.2018).

14. LeCun Y. LeNet-5, convolutional neural networks [Электронный ресурс]. URL: http://yann.lecun.com/exdb/lenet/ (02.04.2018).

15. Aghdam H.H., Heravi E.J. Guide to Convolutional Neural Networks. A Practical Application to Traffic-Sign Detection and Classification. Springer International Publishing, 2017. 282 p.

16. Hijazi S., Kumar R., and Rowen C. Using Convolutional Neural Networks for Image Recognition [Электронный ресурс]. Cadence IP-Group, White Paper, 2015. 12 p. URL: https://ip.cadence.com/uploads/901/cnn_wp-pdf (30.05.2018).

17. Fire Information for Resource Management System (FIRMS) [Электронный ресурс]. URL: https://firms.modaps.eosdis.nasa.gov/map/#z:3.0;c:44.286,17.596 (30.05.2018).