DEVELOPMENT OF OPERATIONAL PREDICTION METHOD OF FOREST FIRE DYNAMICS BASED ON ARTIFICIAL INTELLIGENCE AND DEEP MACHINE LEARNING

PURPOSE. The purpose of the present research is to increase the efficiency of operational prediction of forest fire dynamics under nonstationarity and uncertainty through the development of the operational prediction method based on Artificial Intelligence and Deep Machine Learning. METHODS. The methods of system analysis, neural networks, and deep machine learning are used to solve the set problem. RESULTS AND THEIR DISCUSSION. To ensure the formation of an effective operational prediction in the complex conditions of uncertainty and nonstationarity a method for operational prediction of forest fire dynamics has been developed. It consists in building and training of the convolutional neural network (CNN). The paper describes the general logical scheme of the proposed method. CNN construction and setting is performed on the basis of the following data: the real-time fire data from the satellites using MODIS and VIIRS, data on environmental factors, data on the type of forest plantations and the type of fire. CONCLUSIONS. The developed operational prediction method based on Artificial Intelligence and Deep Machine Learning allows to analyze visual data and reveal the key dependences of forest fire propagation on the environmental factors, the type of forest plantations and the type of fire.

forest fire, operational prediction, artificial intelligence, deep machine learning, convolutional neural network (CNN), prediction method, uncertainty, nonstationarity

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).