Использование сверточных нейронных сетей для прогноза динамики распространения лесныхпожаров

Введение

Согласно статистике лесных пожаров в Европе, представленной Европейской информационной системой по лесным пожарам (EFFIS), с 2009 по 2016 год общее количество лесных пожаров в пяти южных государствах членах Европейского Союза сократилось на 39,8% ( Португалия, Испания, Франция, Италия и Греция). Также на 4,6% сократилась общая площадь лесов, охваченных лесными пожарами в этих странах. Однако общая площадь лесных пожаров, охваченных лесными пожарами в 2016 году, составила 316 866 га, что выше, чем в предыдущие годы (с 2013 по 2015 годы), а количество лесных пожаров составило 31 751, что ниже среднемноголетних значений и составляет немного ниже, чем в предыдущем 2015 году (38 171 пожар), но выше, чем в 2014 году (23 425 пожаров).

Согласно статистике лесных пожаров в Соединенных Штатах Америки, представленной Национальными центрами экологической информации Национального управления океанических и атмосферных исследований (NCEI NOAA) 2, количество пожаров уменьшилось на 14,5% с 2009 г.

Хотя статистические данные значительно различаются из года в год (что ясно показывает, как лесные пожары зависят от сезонных метеорологических условий), глобальная статистика лесных пожаров демонстрирует аналогичную динамику, то есть уменьшение количества лесных пожаров, увеличение количества территорий, пострадавших от лесные пожары и увеличение материальных затрат, связанных с лесными пожарами.

Таким образом, как для Российской Федерации, так и для других государств чрезвычайно важно предотвращать, локализовать и ликвидировать лесные пожары.

Одним из важнейших элементов решения проблемы является прогнозирование распространения лесного пожара в режиме реального времени. В настоящее время непросто использовать существующие модели для прогнозирования динамики лесных пожаров в сложных условиях реальных пожаров из-за ограниченной функциональности моделей в нестабильных и неопределенных контекстах

Исследование направлено на разработку метода прогнозирования динамики лесных пожаров в реальном времени и в сложных средах (с неопределенностью и нестабильностью) с использованием искусственного интеллекта и глубокого машинного обучения. Для достижения этой цели необходимо:

• обосновать необходимость использования инструментовискусственной нейронной сети для прогнозирования динамики распространения лесных пожаров;
• разработать единую логику для метода прогноза динамики лесных пожаров в реальном времени;
• создать визуальную базу данных по динамике лесных пожаров.

Данная работа является частью исследовательского проекта по выявлению фундаментальных зависимостей влияния факторов окружающей среды, характера лесных насаждений и типа пожара на динамику лесных пожаров.

Сверточная нейронная сеть как продвинутый инструмент прогноз распространения лесных пожаров в настоящее время

Согласно, смоделировать пожар в лесу довольно Кроме того, согласно методу для сложно по двум основным причинам: чрезвычайная сложность физического явления (пожара) из-за неоднородного топлива и многих влияющих факторов окружающей среды (ветер, относительная влажность и т. Д.) ), а также сложность проведения реальных экспериментов для проверки разработанных моделей.

В настоящее время как отечественные, так и зарубежные исследователи, представляющие различные области науки, разработали обширный набор моделей, основанных на различных методах прогнозирования поведения пожара, с целью минимизировать разрушительные последствия этой природной катастрофы.

При изучении моделей прогнозирования распространения лесных пожаров модели различают с точки зрения моделирования в реальном времени, тактические и стратегические модели. Поскольку каждый уровень моделирования характеризуется конкретной целью и соответствующим уровнем управленческих решений, каждый уровень соответствует своему типу модели; Например, модели реального времени предназначены для уровня реального времени, тактические – для тактического уровня и стратегические – для стратегического уровня

При моделировании лесных пожаров принято выделять следующие ключевые направления:

• эмпирические и квазиэмпирические модели, основанные на статистических выводах экспериментально полученных данных для определения статистических зависимостей между входными и выходными параметрами;
• физические и квазифизические модели, основанные на фундаментальных методах химии и / или физики для описания процессов, происходящих во время лесного пожара;
• математические модели (включая имитационные и волновые модели), которые используют формулы для описания динамики пожара, в некоторых случаях со статистическими данными.

При отображении результатов моделирования лесных пожаров существующие модели можно разделить на пространственные и непространственные. Кроме того, в зависимости от наличия или недоступности случайных величин среди параметров модели, они различают детерминированные и стохастические модели прогнозирования. Поскольку лесные пожары характеризуются сложными условиями (неопределенность и нестабильность), наиболее перспективными являются стохастические модели

В работах представлены результаты анализа основных типов моделей распространения лесных пожаров (эмпирических и квазиэмпирических, физических и квазифизических, математических и имитационных), разработанных с 1990 по 2007 год. В работе в Глубокие исследования были предприняты для 3%-ной модели, квазиэмпирической модели Ротермеля, модели Бальби и нестационарной модели Бальби. В работах основное внимание уделяется различным моделям прогнозирования лесных пожаров, т. Е. Математической модели эскалации поверхностного лесного пожара и / или кустарниковому пожару, в которой сгорают целые деревья, и дискретной модели лесного пожара в верхней половине. самолет.

Некоторые из рассмотренных моделей интегрированы в компьютерные системы и широко используются на практике. Например, в Прометее 4 и FlamMap 5 применяются системы прогнозирования лесных пожаров, волновые модели пожаров, в которых процесс горения описывается принципом Гюйгенса, а скорость распространения пожара рассчитывается по экспериментальным данным. Использование модели Ван-Вагнера и квазиэмпирической модели Ротермеля основано на системе прогнозирования пожаров, такой как FARSITE.

Однако, несмотря на большое разнообразие моделей прогнозирования динамики эскалации лесных пожаров, при анализе справочных источников, учитывающих особенности и функциональность всех типов моделей, мы видим ограничения, которые существенно влияют на точность прогноза. следующим образом:

• высокая степень динамичности входных параметров (параметры, динамически меняющиеся во времени, считаютсяпостоянными);
• значительная степень неопределенности входных параметров (невозможность получения ряда данных прямым измерением)

Кроме того, время, затрачиваемое на сбор и ввод входных данных, а также время отклика модели оказывают значительное влияние на возможность использования моделей в реальной пожарной среде. Когда эти временные характеристики сведены к минимуму, они создают критическую проблему при разработке и использовании моделей на практике.

Недавний прорыв в области информационных технологий, который способствовал появлению и активному совершенствованию перспективных технологий искусственного интеллекта, систем обработки больших данных и глубокого машинного обучения – создал беспрецедентные возможности для повышения пожарной безопасности лесов.

В настоящее время уже доступны как модели для прогнозирования возникновения лесных пожаров, так и модели для прогнозирования динамики распространения пожаров на основе нейросетевых технологий (например, работы). Хотя модели, в которых используются искусственные нейронные сети, могут устранить ряд недостатков, присущих традиционным моделям, построение и практическое применение моделей, основанных на технологиях нейронных сетей, может быть связано с некоторыми проблемами. Прежде всего, следует отметить, что собрать достаточное количество обучающих примеров при подготовке наборов тестовых и обучающих данных является сложной задачей. Кроме того, построение сетевой архитектуры может характеризоваться сложностью и трудоемкостью, а процедура обучения сети требует больших затрат времени.

Таким образом, мы предложили разработать метод прогноза динамики распространения лесных пожаров в реальном времени в случае нестационарности и неопределенности с помощью сверточной нейронной сети (CNN). Сверточная нейронная сеть, будучи многослойной нейронной сетью, является частью технологии глубокого обучения и решает проблему распознавания образов из визуальных данных. Особенности построения и работы сверточных нейронных сетей подробно описаны в работе.

Выбор сверточной нейронной сети обусловлен преимуществами данного типа сетей, выявленными в результате анализа как отечественных, так и зарубежных источников. Они очень точны, устойчивы к изменениям и искажениям входных данных, работают в реальном времени, способны выполнять самонастройку, позволяют распараллеливать высокопроизводительные вычисления и т. Д. Кроме того, хотя сверточные нейронные сети обычно используются для решения задач распознавания и классификации (для классификация изображений, автоматическое распознавание речи и т. д.), они также могут быть использованы для прогнозирования в силу своих неоспоримых преимуществ.

Использование сверточной нейронной сети для прогнозирования динамики распространения лесных пожаров в реальном времени позволяет создавать прогноз в сложных условиях (с неопределенностью и нестационарностью) и минимизировать затраты времени за счет параллельных высокопроизводительных вычислений. Таким образом, сверточная нейронная сеть является эффективным инструментом для получения прогноза распространения лесных пожаров в реальном времени в случае применения в реальных условиях.

Прогнозирование динамики лесных пожаров в режиме реального времени при нестационарной и неопределенные условия со сверточной нейронной сетью

Согласно работам, идея сети CNN состоит в том, чтобы реализовать последовательность переходов от конкретных характеристик входных визуальных данных к более абстрактным. Архитектура сети CNN может быть охарактеризована чередованием сверточных слоев и слоев субдискретизации. Основное назначение слоев сверточной сети – реализация операции свертки с последующим созданием карты признаков. Слои субдискретизации сети могут уменьшить размерность ранее созданных карт признаков, выбрав максимальный нейрон из числа соседних нейронов карты и заменив данный нейрон всем рассматриваемым набором нейронов. Полностью связанные слои используются в качестве выходного слоя нейронов в сети CNN, где создается полносвязная нейронная сеть.

Для разработки сверточной нейронной сети с целью генерации прогноза лесных пожаров в реальном времени предлагается использовать программное обеспечение CPython. При этом информация о распространении пожара, полученная в режиме реального времени в течение трех часов со спутника с помощью спектрорадиометра среднего разрешения (36-канальный спектрорадиометрический ter MODIS, спутники Terra и Aqua) и набор для дифракции рентгеновских лучей в видимом инфракрасном диапазоне (VIIRS) использовались в качестве входных визуальных данных.

С 1999 г. по настоящее время MODIS является одним из наиболее широко используемых спутниковых инструментов для проведения глобальных и региональных исследований. MODIS можно использовать для просмотра всей поверхности Земли каждые один или два дня в 36 спектральные диапазоны с умеренным разрешением от 0,25 км до 1 км для получения набора данных (температура поверхности суши и океана, индексы растительности, данные о земном покрове, лесные пожары, вулканы, облака, аэрозоли и т. д.). VIIRS 7 представляет собой 22-канальный радиометр, который собирает изображения в видимом, инфракрасном и ультрафиолетовом диапазонах (0,45–12 м) и выполняет радиометрию суши, атмосферы, криосферы и океанов. Пространственное разрешение данных VIIRS находится в диапазоне от 0,38–0,75 км (в надире) до 0,8–1,6 км (на границе зоны) в Полоса обзора шириной 3000 км. Визуальные данные о распространении огня доступны в системе NASA Fire Information for Resource Management System (FIRMS 8).

Разработанный метод прогнозирования динамики лесных пожаров также включает использование данных о факторах окружающей среды (температура воздуха, влажность воздуха и скорость ветра), данных о характере лесных насаждений (тип древостоев) и данных о типе пожара. Визуальные данные о факторах окружающей среды получены с помощью Ventusky InMeteo. 9; данные о характере лесных насаждений получены с помощью Карты растительного покрова. 10 Института изменения климата и Европейского космического агентства.

Существующая система наблюдения за Землей НАСА, а также другие глобальные системы предоставляют достаточно точную информацию различного рода в реальном времени о состоянии суши, воды и атмосферы планеты. Информация является общедоступной и, обогащая глобальное информационное пространство, широко используется для повышения точности метеорологических прогнозов, мониторинга окружающей среды, контроля загрязнения и т. Д.

Несмотря на преимущества Аэрокосмической системы наблюдения за Землей НАСА и других глобальных систем, страны заинтересованы в создание национальных систем спутникового мониторинга. Например, в Мексике в 1999 г. была внедрена система обнаружения горячих точек (в качестве индикатора возможных лесных пожаров) с дневными и ночными изображениями датчиков на спутниках NOAA, и рассматривается возможность создания национальной системы.

Эта проблема характерна и для Российской Федерации. В настоящее время в России планируется создание национальной системы аэрокосмических наблюдений за Землей – Многоцелевой системы аэрокосмического прогнозного мониторинга. 11. Однако на данный момент реальной альтернативы использованию источников, кроме тех, которые использовались в исследовании, нет.

На выходе предлагаемая методика обеспечивает подготовку прогноза динамики эскалации пожара в реальном времени в виде визуального изображения, карты с выделенной областью с координатами области распространения пожара во времени.

Общая логическая схема разработанного метода прогнозирования динамики лесных пожаров в реальном времени с нестационарностью и неопределенностью на основе сверточной нейронной сети представлена на рис. Рисунок 1.

Методика прогноза динамики лесных пожаров в реальном времени с нестационарностью и неопределенностью на основе сверточной нейронной сети включает следующие этапы:

• Этап 1 ( ввод данных) – визуальный ввод данных;
• 2 этап ( preprocessing) – предварительная обработка входных визуальных данных для устранения искаженных элементов входногоизображения;
• 3 этап ( построение и настройка сверточной нейронной сети) – построение сети с последующим обучением методом обратного распространения ошибки;
• 4 этап ( прогноз лесного пожара в реальном времени) – выявление зависимостей влияния факторов окружающей среды, характера лесных насаждений и типа пожара на динамику лесных пожаров и (с выявленными зависимостями dencies) создание оперативного прогноза динамики лесных пожаров врежиме реального времени.

Основной особенностью предлагаемого метода является построение дерева сверточных нейронных сетей в виде ориентированного ациклического графа для анализа значительного количества визуальных данных. Этот граф включает в себя один корневой узел – CNN, выполняющий последний этап прогнозирования, и три промежуточных узла – CNN, где представлены зависимости влияния факторов окружающей среды, характера лесных насаждений и типа пожара на динамику лесного пожара. создан

Таким образом, мы разработали метод прогнозирования динамики лесных пожаров в реальном времени в условиях нестационарности и неопределенности на основе передовых информационных технологий, искусственного интеллекта и глубокого машинного обучения (сверточная нейронная сеть). Этот тип сети позволяет анализировать визуальные данные, определять ключевые зависимости распространения лесных пожаров от факторов окружающей среды, характера лесных насаждений и типа лесных пожаров, а также составлять прогноз эскалации пожаров в режиме реального времени. Основной особенностью предлагаемого метода является построение дерева сверточных нейронных сетей.

Создание визуального база данных динамики лесных пожаров

Поскольку качество сверточной нейронной сети зависит от набора данных, используемого для построения сети и обучения, необходимо создатьел соответствующую базу. С этой целью анализ (иерархического, сетевого, реляционного, постреляционного, объектно-ориентированного, многомерногоМодели баз данных были выполнены с использованием экспертного метода ранжирования и модифицированного метода анализа иерархий. На основе созданных требований к базе данных (большой объем данных, визуальные данные, возможность быстро построить / изменить базу данных с помощью минималых временных и вычислительных затрат, минималое время и вычислительные затраты, когда работа была построена. Его элементами являются Лесной пожар, Enviс базой данных), мы предложили разработать ронментальные факторы и Природа лесных растений модель реляционной базы данных о лесном пожаре тоны таблицы. В Лесной пожар стол предназначен для динамики.

Рисунок 1 – Общая логическая схема метода прогноза динамики лесных пожаров

Рисунок 2 – Космические снимки территории, охваченной лесным пожаром

Заключение

Наше исследование дает представление о существующих отечественных и зарубежных моделях прогнозирования эскалации лесных пожаров. На основании полученных результатов были определены основные ограничения применяемых моделей в реальных условиях пожара, например, высокодинамичные и неопределенные входные параметры, необходимость минимизировать время сбора и ввода входных параметров, а также минимизировать время отклика модели. Есть основания для использования инструментов искусственной нейронной сети (сверточной нейронной сети), позволяющих прогнозировать динамику распространения лесных пожаров, т.е. возможность построения прогноза в сложных условиях реального пожара, а также возможность минимизации временных затрат за счет к параллельному использованию высокопроизводительных вычислений

Разработан метод прогнозирования динамики лесных пожаров в реальном времени и в условиях нестационарности и неопределенности с использованием сверточной нейронной сети. Описана общая логическая схема разработанного метода ( Рисунок 1). Основной особенностью предлагаемого метода является построение дерева сверточных нейронных сетей в виде ориентированного ациклического графа для анализа значительного количества визуальных данных. Этот граф включает в себя один корневой узел – CNN, выполняющий последний этап прогноза, и три промежуточных узла – CNN, где представлены зависимости влияния факторов окружающей среды, характера лесных насаждений и типа пожара на динамику эскалации пожара. созданы.

Была проведена оценка существующих моделей базы данных, и была выбрана предпочтительная версия модели базы данных поведения при лесных пожарах – реляционная база данных. Создана визуальная база данных поведения лесных пожаров. Его элементами являются таблицы Лесной пожар, факторы окружающей среды и Природа лесных насаждений. Для оптимизации работы пользователей с базой реализованы соответствующие формы и запросы.

Литература

1. Европейская комиссия (2017) Лесные пожары в Европе, на Ближнем Востоке и в Северной Африке, 2016 г. Отчет JRC «Наука для политики». Доступно по адресу: http://effis.jrc.ec.europa.eu/media/cms_page_media/40/Forest_fires_in_ Europe_Middle_east_and_North_Africa_2016_final_pdf_JZU7HeL.pdf (по состоянию на 3 августа 2018 г.).

2. Silva FR, Guijarro M., Madrigal J., Jimenez E., Molina JR, Hernando C., Velez R., Vega JA (2017) Оценка моделей инициирования и распространения коронного пожара в средиземноморских хвойных лесах с использованием данных, полученных с поля и из лаборатории эксперименты. Лесные системы, т. 26, вып. 2. Доступно по адресу: http://revistas.inia.es/ index.php / fs / article / view / 10652 (по состоянию на 18 октября 2018 г.)

3. Салливан А.Л. (2009) Моделирование распространения пожаров на поверхности дикой природы, 1990–2007 гг. 1: Физические и квазифизические модели. Международный журнал Wildland Fire, нет. 18. С. 349–368.

4. Салливан А.Л. (2009) Моделирование распространения пожаров на поверхности дикой природы, 1990–2007 гг. 2: Эмпирические и квазиэмпирические модели. Международный журнал Wildland Fire, нет. 18. С. 369–386

5. Салливан А.Л. (2009) Моделирование распространения пожаров на поверхности дикой природы, 1990–2007 гг. 3: Имитационные и математические аналоговые модели. Международный журнал Wildland Fire, нет. 18. С. 387–403.

Ходаков В.Е., Жарикова М.В. (2011) Лесные пожары: методы исследования [ Лесные пожары: методы исследования. Херсон: Гринь Д.С.

7. Филиппи Дж. Б., Маллет В., Надер Б. (2014) Оценка моделей лесных пожаров в большой базе данных наблюдений. Опасные природные явления и науки о Земле, т. 14. нет. 11. С. 3077–3091. Доступно по адресу: https://www.nat-hazards-earth-syst-sci.net/14/3077/2014/ (по состоянию на 18 октября 2018 г.).

8. Перминов В., Гудов А. (2017) Математическое моделирование возникновения, распространения и воздействия лесных пожаров на окружающую среду. Международный журнал GEOMATE, т. 13, нет. 35. С. 93–99. Доступно по адресу: http://www.geomatejournal.com/sites/default/files/articles/93-99-6704-Valeriy-July-2017-35-a1.pdf(по состоянию на 18 октября 2018 г.).

9. Граф Р. (2014) Модель лесного пожара в верхней полуплоскости. Электронный журнал вероятностей, нет. 19, стр. 1-27. Доступно по адресу: https://projecteuclid.org/download/pdf_1/euclid.ejp/1465065650 (по состоянию на 18 октября 2018 г.).