Россия
УДК 614.849 Прочие вопросы, касающиеся пожарной охраны
Рассмотрены существующие инновационные подходы как отечественных, так и зарубежных ученых к интеллектуальному прогнозированию, а также управлению лесными пожарами. Представлена реализация применения нейро-нечеткой системы ANFIS для прогнозирования лесных пожаров с целью повышения надежности и достоверности получаемых прогнозных данных. Проведен анализ признакового пространства при рассмотрении лесных пожаров, представлена корреляционная матрица, характеризующая степень влияния признаков на прогнозируемые показатели. Построена структура нейро-сетевой модели с соответствующими лингвистическими переменными и функциями принадлежности. Представлены результаты обучения системы ANFIS на основе исторических данных на территории Ленинградской области за период с 2015 по 2023 г. Полученные результаты позволяют повысить эффективность оперативного прогнозирования динамики развития лесных пожаров, обосновывать принятие управленческих решений по их ликвидации.
лесные пожары, прогнозирование, ANFIS, нейро-нечеткая система, управление
1. Берестенькова М.В. Интеллектуальная система прогнозирования лесных пожаров // Хвойные бореальной зоны. 2012. Т. 30. № 5-6. С. 64-67. EDN TTNHLP.
2. Колпаков В.Ф. Применение нечеткого моделирования для информационной поддержки принятия решений при ликвидации лесных пожаров // Пожаровзрывобезопасность. 2017. Т. 26. № 7. С. 65-73. DOI:https://doi.org/10.18322/PVB.2017.26.07.65-73. EDN ZIDWQZ.
3. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61-70. EDN YTPZYL.
4. Петрова И.Ю., Глебов А.А. Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2006. № 7. С. 3. EDN HYSJDN.
5. Дуболазов В.А., Сомов А.Г. Прогнозирование и оценка экономических данных при помощи адаптивной системы нейро-нечеткого вывода ANFIS // Экономика и менеджмент систем управления. 2017. № 4-4 (26). С. 411-418. EDN ZXQAKF.
6. Оперативное прогнозирование теплового потока при пожаре в вертикальном стальном резервуаре с защитной стенкой с использованием ANFIS / Т.С. Станкевич [и др.] // Пожаровзрывобезопасность. 2020. Т. 29. № 5. С. 13-39. DOI:https://doi.org/10.22227/PVB.2020.29.05.13-39. EDN FFGNIX.
7. Бутырский Е.Ю., Матвеев А.В. Математическое моделирование систем и процессов. СПб.: Информ. изд. учеб.-науч. центр «Стратегия будущего», 2022. 733 с. DOI:https://doi.org/10.37468/book_011222. EDN CCRIRT.
8. Яковлев Д.В., Звягинцева А.В., Ус Н.А. Нейросетевое моделирование в прогнозировании возникновения лесных пожаров // Информация и безопасность. 2009. Т. 12. № 3. С. 397-404. EDN KWCIVB.
9. Ражников С.В. Информационно-аналитическая поддержка управления оповещением населения при ландшафтных (природных) пожарах // Сибирский пожарно-спасательный вестник. 2023. № 2 (29). С. 95-106.
10. Wildland Fire Burned Areas Prediction Using Long Short-Term Memory Neural Network with Attention Mechanism / Li Zhongzhi [et al.] // Fire technology. 2021. Vol. 57. P. 1-23. DOI:https://doi.org/10.1007/s10694-020-01028-3.
11. Forest Fire Prediction with Imbalanced Data Using a Deep Neural Network Method / C. Lai [et al.] // Forests. 2022. Vol. 13. № 7. P. 1129. DOI:https://doi.org/10.3390/f13071129.
12. Cortez P., Morais A. A Data Mining Approach to Predict Forest Fires Using Meteorological Data. In New Trends in Artificial Intelligence // Proceedings of the 13th EPIA 2007 - Portuguese Conference on Artificial Intelligence, Guimarães, Portugal, December 2007; Neves, J., Santos, M.F., Machado, J., Eds. P. 512-523.
13. Andrews Patricia L. Current status and future needs of the BehavePlus Fire Modeling System // International Journal of Wildland Fire. 2014. № 23. P. 21-33. DOI:https://doi.org/10.1071/WF12167.
14. Price S., Germino M.J. Modeling of fire spread in sagebrush steppe using FARSITE: an approach to improving input data and simulation accuracy // Fire Ecology. 2022. № 18. P 18-23. DOI:https://doi.org/10.1186/s42408-022-00147-2.
15. Mahmoud H., Chulahwat A. Unraveling the Complexity of Wildland Urban Interface Fires // Scientific Reports. 2018. № 8. P. 9315. DOI:https://doi.org/10.1038/s41598-018-27215-5.
16. Nebot À., Mugica F. Forest Fire Forecasting Using Fuzzy Logic Models // Forests. 2021. № 12 (8). P. 1005. DOI:https://doi.org/10.3390/f12081005.
