СПОСОБ ИНТЕЛЛЕКТУАЛЬНОГО ПРОГНОЗИРОВАНИЯ ВЕРОЯТНОСТИ ВОЗНИКНОВЕНИЯ ПРИРОДНЫХ ПОЖАРОВ Российский патент 2024 года по МПК G06N3/02 A62C3/02 

ОБЛАСТЬ ТЕХНИКИ

Заявленное техническое решение в общем относится к области вычислительной техники, а в частности к способу и системе интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования.

Представленное решение может быть использовано, по меньшей мере, федеральными министерствами по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (например, МЧС России, EMERCOM и т.п.), региональными мониторинговыми службами, лесхозами и т.д. для принятия оперативных решений по мерам тушения пожара, сооружения заградительной полосы, эвакуации населения, находящейся в зоне риска и т.д.

УРОВЕНЬ ТЕХНИКИ

Традиционные технологии предупреждения чрезвычайных происшествий и минимизации их последствий часто оказываются неэффективными: они не всегда точны, не могут быстро обрабатывать большие массивы данных и т.д. В связи с этим управление рисками возникновения природных пожаров - актуальная задача уже не только для профильных организаций и компаний, но и для ИТ-разработчиков, которые создают альтернативные решения, часто основанные на искусственном интеллекте, помогающие детально изучать большие объемы геопространственных, метеорологических и временных данных для прогнозирования возникновения пожаров.

В 2019 году сотрудник Университета Хонгика в Южной Корее (Hongik University) Джэ Сын Ли вместе со своими студентами создал алгоритм, который может прогнозировать возникновение очагов возгорания и особенности поведения пожаров с точностью до 90%. В основе технологии лежат спутниковые изображения с высоким разрешением и алгоритмы машинного обучения Azure Machine Learning от компании Microsoft. Создатели системы утверждают, что с ее помощью пожарные могут более рационально распределять ресурсы: перегруппировывать бригады, направлять их туда, где не хватает ресурсов. Это позволяет службам быстрее реагировать на вызовы и минимизировать возможный ущерб от возгораний. Джэ Сын Ли надеется, что этот инструмент также можно будет использовать и в других целях - например, для борьбы с преступностью.

В 2019 году компания CrowdAI представила программу FireNet, которая использует искусственный интеллект для прогнозирования лесных пожаров. Алгоритм анализирует изображения, поступающие с цифровых беспилотников, которые кружат над массивами деревьев и делают фотографии со скоростью 20 кадров в секунду. Точность обнаружения пожаров составляет 92%. Обработка данных происходит в режиме реального времени. Места с высокой вероятностью возгорания определяются по GPS-координатам дрона. Как отмечает издание Vice, при создании FireNet специалисты вдохновлялись программами для анализа медицинских изображений, которые помогают врачам отличать здоровые ткани от нездоровых. Систему обучали на кадрах видеозаписей лесных пожаров, полученных с беспилотных летательных аппаратов.

В России в национальном парке "Себежский" в Псковской области работает комплекс интеллектуального видеонаблюдения, контролирующий пожароопасную обстановку и внедренный компанией МТС. Комплекс состоит из четырнадцати камер со специальными объективами и сенсорами. Камеры в режиме онлайн следят за пожарной безопасностью лесных территорий, фиксируя опасное повышение температуры, что дает возможность государственным инспекторам парка предотвращать пожары на ранней стадии, еще до появления открытого огня. Тепловизоры также сообщают в центр мониторинга о фактах разведения огня и курении на заповедной территории.

Из уровня техники известно решение [1], описывающее модель прогнозирования уровня природной пожарной опасности. В основе подхода лежит моделирование уровня природной пожарной опасности с помощью Пуассоновской регрессии.

Однако, в отличие от заявленного решения в известном из уровня техники решении [1] используются данные по отдельным метеостанциям, которые дальше интерполируются на всю исследуемую территорию. Также в известном из уровня техники решении [1] не рассматривается влияние иных факторов кроме погодных измерений.

Из уровня техники известна система [2] оценки рисков возникновения природных пожаров. Однако данная система не использует сверточные нейронные сети для учета пространственных характеристик земного покрова.

Кроме того, из уровня техники известна система ИСДМ-Рослесхоз, позволяющая оценивать вероятность возникновения пожаров, основываясь на метеорологических данных и детерминировано-вероятностном подходе [3]. В работе оценивалась возможность определения порогового значения индекса пожарной опасности (по методике В.Г. Нестерова), при котором по статистике ранее фиксировалось возникновение пожара.

Использование данных дистанционного зондирования Земли (ДЗЗ) для прогнозирования вероятности возникновения пожаров было предложено в работе [4]. Для получения более достоверных результатов были выделены зоны отличные по частоте возникновения пожаров. Однако предложенный подход использует только погодные данные NOAA и метеорологические данные Росгидромета без учета иных характеристик.

Из уровня техники известна американская заявка US 20220398840 A1 «Smoke and fire recognition, fire forecasting, and monitoring» (патентообладатель KNOETIK SOLUTIONS INC, опубл. 2022-12-15), описывающая способ и систему для получения изображений и информации, связанной с погодой окружающей среды и информацию, связанную с землей, для автоматического распознавания сигналов, связанных с дымом или огнем; и прогнозирования с помощью вычислений существования пожара, рост и распространение огня.

В отличие от указанного выше источника, который фиксирует возгорание и распространение пожара, в заявленном решении осуществляется именно прогнозирование вероятности возникновения возгорания на несколько дней вперед.

Из уровня техники известен патент RU 2486594 C2 «СПОСОБ МОНИТОРИНГА ЛЕСНЫХ ПОЖАРОВ И КОМПЛЕКСНАЯ СИСТЕМА РАННЕГО ОБНАРУЖЕНИЯ ЛЕСНЫХ ПОЖАРОВ, ПОСТРОЕННАЯ НА ПРИНЦИПЕ РАЗНОСЕНСОРНОГО ПАНОРАМНОГО ОБЗОРА МЕСТНОСТИ С ФУНКЦИЕЙ ВЫСОКОТОЧНОГО ОПРЕДЕЛЕНИЯ ОЧАГА ВОЗГОРАНИЯ» (патентообладатель Закрытое акционерное общество "Видеофон МВ", опубл. 27.06.2013). Данный патент на изобретение описывает систему повышения достоверности и точности обнаружения лесных пожаров. Особенность системы состоит в том, что мониторинг местности ведут, по меньшей мере, с двух точек, расположенных на мачтах сотовой связи, посредством тепловизионной камеры и видеокамеры, установленных так, что их оси параллельны, и закрепленных на сканирующей платформе, размещенной на каждой мачте сотовой связи, при этом передают изображения, полученные в тепловом и видеоканалах, совместно с данными углового и азимутального направления осей камер, на центральный сервер, в котором преобразуют изображения, полученные от тепловизионных и видеокамер, и данные от угломерно-азимутных измерителей, расположенных на мачтах сотовой связи, в систему географических координат, осуществляют привязку очагов возгорания к географическим координатам с отображением на электронной карте местности, накладывают видеоизображение на изображение от тепловизионной камеры и выводят полученные изображения в виде трех отдельных изображений на монитор оператора и/или на запоминающее устройство.

Однако известное решение позволяет фиксировать возгорания непосредственно в момент события, и не предоставляет возможность прогнозирования вероятности возникновения возгорания на несколько дней вперед. Кроме того, в известном решении не используют сверточные нейронные сети для учета пространственных характеристик земного покрова.

Из уровня техники известна заявка на патент US 20210110136 A1 «Fire detection via remote sensing and mobile sensors» (патентообладатель IBM, опубл. 2021-04-15). Данная заявка на изобретение описывает способ и систему обнаружения событий. Получают спутниковое изображение и обрабатывают его с использованием первой сверточной нейронной сети (CNN) для создания спутникового вектора, который идентифицирует по меньшей мере один пожар. Мобильный датчик автоматически направляется в мобильное местоположение на основе вектора спутника.

В отличие от известной системы, заявленное решение предполагает возможность прогнозирования именно вероятности возникновения возгорания на несколько дней вперед.

Из уровня техники известна международная заявка на изобретение WO 2018116966 A1 «FIRE MONITORING SYSTEM» (патентообладатель HOCHIKI CO vet al, опубл. 2018-06-28), описывающая многослойную нейронную сеть, которая эффективно обучается и повышает точность обнаружения пожара, даже если часть характеристики пожара на общем изображении ограничена узким диапазоном. Изображение монитора области монитора, которое было захвачено камерой монитора, сегментируется на множество блочных изображений. Изображения блоков вводятся в детектор пожара, который настроен с помощью многослойной нейронной сети для обнаружения пожара. Устройство формирования обучающего изображения: сегментирует обучающее изображение, на котором был зафиксирован пожар в области монитора, на множество блочных изображений; и в соответствии с наличием пламени и/или дыма в каждом из блочных изображений и долей каждого из блочных изображений, занятой пламенем и/или дымом, классифицирует и заставляет сохранять блочные изображения либо как пожарные, обучающиеся блочные изображения, изображения блоков обучения в обычной ситуации или изображения блоков, не связанных с обучением. Блок управления обучением (26) вводит в пожарный детектор изображения блока обучения пожару и изображения блока обучения нормальной ситуации, которые были сохранены в устройстве формирования обучающего изображения, и заставляет многослойную нейронную сеть (30) учиться посредством глубокого обучения.

В отличие от указанного источника, в заявленном решении сверточная нейронная сеть прогнозирует вероятность возникновения природных пожаров на несколько дней вперед.

Из уровня техники также известен патент изобретение KR 101869442 B1 «Fire detecting apparatus and the method thereof» (патентообладатель NAT UNIV KONGJU IND UNIV COOP FOUND, опубл. 2018-06-20). Данное решение описывает устройство обнаружения пожара, использующее алгоритм автоматического обнаружения дыма с помощью системы видеонаблюдения и технологии обработки изображений для обнаружения дыма и отслеживания движущегося объекта, а затем использует модель каскадной классификации с использованием сверточной нейронной сети (CNN), которая делит на дымовой и недымный объект, чтобы обнаружить возгорание. В соответствии с настоящим изобретением устройство обнаружения пожара содержит: блок обнаружения области дыма, обнаруживающий изменение в пикселе фона по отношению к изображению целевой области обнаружения пожара, введенному с камеры пожарного наблюдения, и группирующий связанные пиксели для классифицировать кандидатную зону задымления; и блок классификации задымленной области, принимающий и классифицирующий кандидатную задымленную область на задымленную область и недымную область, чтобы выделять и выводить задымленную область, когда задымленная область существует.

В указанном выше решении определяют именно возгорание, то есть пожар, а в заявленном решении прогнозируют вероятность возникновения природных пожаров на несколько дней вперед.

Из уровня техники известно решение RU 2645179 C2 «ВЕРОЯТНОСТНАЯ СПУТНИКОВАЯ СИСТЕМА ДЛЯ МОНИТОРИНГА ЛЕСНЫХ ПОЖАРОВ» (патентообладатель Федеральное государственное бюджетное военное образовательное учреждение высшего образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации, Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации, опубл. 16.02.2018), описывающее спутниковые системы наблюдения Земли, c охватом ее обширных регионов. Спутники системы, находящиеся на круговых орбитах, оснащены сканирующей широкоугольной оптико-электронной системой ИК-диапазона с линейным фотоприемным устройством для обнаружения очага лесного пожара. На спутниках также имеется следящая оптико-электронная ИК-система, перенацеливаемая по целеуказаниям от сканирующей системы. Данная следящая система выполнена широкоугольной (с ИК-объективом типа «рыбий глаз») и с несколькими матричными фотоприемными устройствами для обнаружения и определения параметров очага лесного пожара, а также формирования сигнала предупреждения о нем. Технический результат изобретения направлен на расширение функциональных возможностей системы, снижение массогабаритных характеристик спутников системы и уменьшения затрат на ее создание и эксплуатацию.

В указанном известном решении определяют именно очаг лесного пожара, а в заявленном решении прогнозируют вероятность возникновения природных пожаров на несколько дней вперед.

Предлагаемое техническое решение направлено на устранение недостатков современного уровня техники и отличается от известных ранее решений тем, что предложенное решение использует геопространственные данные и сверточную нейронную сеть (СНС) для интеллектуального прогнозирования вероятности возникновения природных пожаров на пять дней вперед. В результате чего достигается предотвращение возможности возникновения природных пожаров и их распространение.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

В заявленном техническом решении предлагается новый подход к прогнозированию вероятности возникновения природных пожаров, что позволяет обеспечить предотвращение возможности возникновения природных пожаров и их распространение.

Таким образом, решается техническая проблема - создание автоматизированного способа и системы интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования.

Техническим результатом, достигающимся при решении вышеуказанной технической задачи, является повышение эффективности прогнозирования вероятности возникновения природных пожаров на пять дней прогнозирования.

Данное решение позволит принимать оптимальные решения для своевременной подготовки и локализации сил и средств на участках с высокой вероятностью пожарной опасности.

Лесные и сельскохозяйственные предприятия могут использовать прогнозы для планирования действий, например, для проведения предотвращающих выжиганий или определения наиболее подходящего времени для сельскохозяйственных работ.

Страховые компании могут использовать прогнозы для оценки рисков и управления страховыми полисами, связанными с пожарами.

Органы по охране окружающей среды могут использовать данные для мониторинга экологических условий и принятия мер по сохранению природных ресурсов и биоразнообразия.

Указанный технический результат достигается благодаря способу интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых:

- получают набор геопространственных данных, содержащий:

• Метеорологические измерения за 7 дней до момента прогнозирования вероятности возникновения природных пожаров;

• Данные о покрове Земли, содержащие: информацию о типе растительного покрова, вегетационные индексы растительного покрова и данные о доле поглощенной фотосинтетической активной радиации (ФАР);

• Пространственным данные, содержащие: информацию о высоте над уровнем моря, направление склона, уклон, плотность населения и удаленность от дорог;

- осуществляют обработку полученного набора данных с помощью СНС, обученной на наборах архивных данных, содержащих все вышеперечисленные группы признаков, а также эталонную разметку с координатами реально зафиксированного возникновения природных пожаров, и

- на основе данной обработки СНС:

• строят регулярную пространственную сетку для заданной области прогнозирования вероятности возникновения новых природных пожаров;

• и осуществляют прогнозирование вероятности возникновения природных пожаров на каждый из последующих пяти дней на данной регулярной сетке в результате чего получаются 5 карт.

В частном варианте реализации описываемого решения вегетационные индексы растительного покрова получают со спутника MODIS.

В частном варианте реализации предлагаемого решения, к вегетационным индексам растительного покрова относятся: индекс листовой поверхности (LAI - Leaf Area Index), нормализованный вегетационный индекс (NDVI - Normalized difference vegetation index), усовершенствованный вегетационный индекс (EVI - Enhanced Vegetation Index).

В другом частном варианте реализации предлагаемого решения, перед подачей набора данных на вход СНС данные приводятся к одному пространственному разрешению и производится нормализация данных.

В другом частном варианте реализации предлагаемого решения, Данные о покрове Земли дополнительно содержат по меньшей мере: границы водных объектов, типы растительного покрова, данные о рельефе и удаленность от населенных пунктов.

В другом частном варианте реализации предлагаемого решения, метеорологические данные содержат по меньшей мере температуру, влажность, осадки.

В другом частном варианте реализации предлагаемого решения, наборы архивных данных предварительно проходят этап верификации и фильтрации.

В другом частном варианте реализации предлагаемого решения, дополнительно производится расчет индекса пожарной опасности, оценивающего динамику изменения свойств окружающей среды за определенный период времени.

Кроме того, заявленный технический результат достигается за счет системы интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования, содержащей:

- по меньшей мере один процессор;

- по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение способа интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС).

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми фигурами, которые представлены для пояснения сути изобретения и никоим образом не ограничивает область изобретения. К заявке прилагаются следующие фигуры:

Фиг. 1 - иллюстрирует пример реализации интеллектуального прогнозирования вероятности возникновения природных пожаров.

Фиг. 2 - иллюстрирует пример подхода для прогнозирования вероятности возникновения природного пожара с помощью сверточных нейронных сетей и геопространственных данных.

Фиг. 3 - иллюстрирует общий вид системы интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

Данное техническое решение может быть реализовано на компьютере, в виде автоматизированной информационной системы (АИС) или машиночитаемого носителя, содержащего инструкции для выполнения вышеупомянутого способа.

Техническое решение может быть реализовано в виде распределенной компьютерной системы.

В данном решении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность вычислительных операций (действий, инструкций).

Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы).

Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных, например таких устройств, как оперативно запоминающие устройства (ОЗУ) и/или постоянные запоминающие устройства (ПЗУ). В качестве ПЗУ могут выступать, но, не ограничиваясь, жесткие диски (HDD), флеш-память, твердотельные накопители (SSD), оптические носители данных (CD, DVD, BD, MD и т.п.) и др.

Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.

Как показано на Фиг. 1, заявленный способ (100) интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования, состоит из нескольких этапов.

На этапе (101) получают набор геопространственных данных, содержащий три группы признаков:

• Метеорологические измерения за 7 дней до момента прогнозирования вероятности возникновения природных пожаров;

• Данные о покрове Земли, содержащие: информацию о типе растительного покрова, вегетационные индексы растительного покрова и данные о доле поглощенной фотосинтетической активной радиации (ФАР);

• Пространственным данные, содержащие: информацию о высоте над уровнем моря, направление склона, уклон, плотность населения и удаленность от дорог.

Подбор метеорологических измерений осуществляется с информационного ресурса - ftp-сервера Национального управления океанических и атмосферных исследований США (англ. National Oceanic and Atmospheric Administration - NOAA). Данный ресурс - открытый источник, метеорологические данные он формирует на основе информации, получаемой с помощью дистанционного зондирования Земли с привязкой к координатной сетке (Glenn et al., 2006), также формирует с помощью своей модели прогноз на предстоящие периоды времени. Периоды разделены между собой с помощью верификации прогнозной модели: подразумевается, что чем меньше прогнозируемого времени, тем точнее модель. Кроме того, дополнительно еще используются метеорологические данные Росгидромета.

При этом, метеорологические данные содержат по меньшей мере температуру, влажность, осадки.

Подбор данных статистики по пожарам формируется из базы данных фиксируемых термоточек (https://fires.ru/). Область мониторинга включает в себя всю Россию и сопредельные территории, где обеспечивается оперативный прием спутниковых данных, необходимых для детектирования пожаров. Глобальное покрытие основывается на данных системы NASA FIRMS (NASA - англ. National Aeronautics and Space Administration, Национальное управление по аэронавтике и исследованию космического пространства; FIRMS - англ. Fire Information for Resource Management System) (Davies et al., 2012).

Информация о пожарах публикуется на интерактивной карте с предоставлением необходимых инструментов просмотра и навигации. В выборку берутся только подтвержденные термоточки категории «природный пожар».

Погодные данные - крайне важный признак при прогнозировании вероятности появления нового природного пожара, так как они определяют предрасположенность к возгоранию растительного покрова Земли в каждый конкретный момент времени.

Заявленное решение не использует прогнозные метеорологические данные, что позволяет повысить его надежность и снизить погрешность, связанную с построением предсказаний погодных характеристик.

В заявленном решении используются исключительно актуальные погодные измерения без прогнозных значений. Используются данные за несколько предыдущих дней об общем и потенциальном испарении, восточной и северной компонентах ветра (западная и южная однозначно восстанавливаются из них), температуре воздуха на высоте 2 м, температура точки росы, количества выпавших осадков. Связь общего испарения с биопродуктивностью экосистем, а также знания о температурном режиме в конкретной точке наблюдения позволяет оценивать достижимость пороговых значений для возгорания различных типов растительности. Скорость ветра в свою очередь дает возможность оценивать предрасположенность среды к распространению пожара, то есть вероятность того, что возникшая искра не потухнет, а разрастется в пожар.

Данные о покрове Земли получают с помощью методов дистанционного наблюдения Земли (ДЗЗ) со спутников. К таким признакам относится тип растительного покрова, вегетационные индексы растительного покрова и данные о доле поглощенной фотосинтетической активной радиации (ФАР). Кроме того, данные о покрове Земли могут дополнительно содержать по меньшей мере: границы водных объектов, типы растительного покрова, данные о рельефе и удаленность от населенных пунктов.

Карты, содержащие данные характеристики, являются продуктом спутника MODIS. Кроме непосредственно классов поверхности Земли также рассчитываются вегетационные индексы растительного покрова, которые содержат дополнительную информацию о его состоянии и оказывают значимое влияние на риск возникновения природных пожаров. Вегетационные индексы представляют собой математическую модель, позволяющую получить количественную оценку некоторых характеристик растительного покрова путем перевода спектральных значений в целевую величину. К таким индексам относятся индекс листовой поверхности (LAI - Leaf Area Index), нормализованный вегетационный индекс (NDVI - Normalized difference vegetation index), усовершенствованный вегетационный индекс (EVI - Enhanced Vegetation Index), также для описания состояния растительного покрова используются измерения доли поглощенной фотосинтетической активной радиации (ФАР). Данные характеристики являются крайне важными для определения вероятности возникновения природных пожаров, так как растения на разной стадии роста и при разном общем состоянии имеют разные свойства горения и порог возгораемости. К пространственным данным также относится высота над уровнем моря, направление склона, уклон, плотность населения и удаленность от дорог.

Характеристики рельефа оказывают влияние на риск возникновения природного пожара. Например, крутые горные склоны менее подвержены возникновению пожаров. Дополнительная информация об удаленности от объектов инфраструктуры (дороги и плотность населения) характеризует возможность человека провоцировать природные пожары в результате неаккуратного обращения с огнем в пожароопасный период. Все измерения предварительно помещаются в общую базу данных, откуда происходит сбор и дальнейшая обработка данных.

Кроме того, в заявленном решении предусмотрена возможность дополнительно рассчитывать индексы пожарной опасности, которые рассчитываются только на основе метеорологических данных за предыдущие дни и позволяют учитывать накопительный эффект (например, продолжительная засуха или дожди).

При этом, следует отметить, что производится расчет индексов пожарной опасности таких, как индекс Нестерова. Данный индекс учитывает кумулятивный эффект и позволяют оценивать динамику изменения свойств окружающей среды за определенный период времени. Таким образом, алгоритм может учитывать не только по отдельности метеорологические показатели за каждый день до момента начала прогнозирования, но и то, как те или иные погодные характеристики за интервал в две недели могут влиять на общий уровень пожарной опасности. Стоит также отметить, что индексы пожарной опасности являются безразмерными величинами, при увеличении значения индекса возрастает уровень пожарной опасности, но, например при выпадении осадков выше заданного граничного уровня, индексы обнуляются и далее накоплении происходит с нулевой отметки. В предложенном алгоритме индексы используются совместно с другими группами признаков, так как сами по себе индексы не учитывают иные значимые факторы, влияющие на вероятность возникновения природных пожаров.

Далее на этапе (102) осуществляют обработку полученного набора данных с помощью СНС, обученной на наборах архивных данных, содержащих все вышеперечисленные группы признаков, а также эталонную разметку с координатами реально зафиксированного возникновения природных пожаров.

Перед подачей набора данных на вход СНС данные приводятся к одному пространственному разрешению и производится нормализация данных.

СНС обучается на архивных данных, специально собранных именно для территории РФ. СНС обучается с использованием метода обратного распространения ошибки, когда на вход модели подается тензор, содержащий пространственные признаки; на выходе модели получается карта с предсказаниями, на основе которой совместно с картой истинных значений рассчитывается ошибка предсказания; далее на основе полученных значений методом обратного распространения ошибки происходит обновление весов СНС. Архивные данные, выступающие в качестве истинных значений о возникновении пожаров, предварительно проходят этап верификации и фильтрации. Этот этап заключается в отборе реально начавшихся пожаров и исключении термических аномалий, которые были зафиксированы датчиками, но не привели к возникновению и распространению пожарам. Получаемый обработанный набор данных представляет собой отфильтрованные и верифицированные координаты и даты начала пожаров, приведенные к общему формату. Данное решение разработано специально для территорий РФ и является существенным преимуществом подхода в сравнении с подходами, разработанными для территорий и природно-климатических условий других стран. Также возможна адаптация предложенного решения и на другие территории для более высокого качества прогнозирования. Общая схема подхода представлена на фиг. 2.

Для выбора оптимальных гиперпараметров нейросетевого алгоритма обучение производится на подготовленных наборах архивных данных, содержащих все вышеперечисленные группы признаков, а также эталонную разметку, то есть координаты реально зафиксированного возникновения природных пожаров. Проведение настройки алгоритма предполагает выбор целевой функции потерь. Так как задача заключается в определении вероятности возникновения пожара в каждый из пяти последующих дней, в качестве функции потерь предложено использовать Binary Cross Entropy функцию потерь, которая рассчитывается между вектором длиной 5 (5 дней прогнозирования) с эталонными значениями и вектора того же размера, содержащего вероятности возникновения пожара на каждый из 5 последующих дней, с предсказаниями нейросетевой модели. Таким образом оптимизация модели производится на основе получаемых ошибок для каждого отдельного примера появления пожара, а также примеров, где пожаров не было. Производится настройка алгоритма, выбор количества эпох обучения, размер батча и learning rate.

Все три группы признаков приводятся к одному общему растровому формату с пространственным разрешением менее 1км в пикселе и формируют единое признаковое пространство для обучения нейронной сети. Таким образом формируется тензор размера N*M*K, где N и M представляют размер изображения по высоте и ширине, соответствующий отдельной ячейке прогнозирования (с пространственным разрешением пикселя до 1 км), K является общим количеством признаков для трех вышепредставленных групп входных данных. В качестве референсных данных для обучения модели используются архивные данные о возникновении пожаров. Эти данные получены на основе верифицированных термоточек (термических аномалий на заданной территории) и соответствуют начальному моменту, когда было зафиксировано появления нового пожара. Кроме примеров с возникшими пожарами, набор данных содержит также примеры, соответствующие географическим координатам и определенным датам наблюдений, где не было зафиксировано возникновения новых пожаров или распространения уже возникших пожаров. Все собранные и обработанные данные являются геопривязанными.

На этапе (103) на основе обработки полученного набора данных с помощью СНС строят регулярную пространственную сетку с разрешением от 0.1 до 0.2 градусов для заданной области прогнозирования вероятности возникновения новых природных пожаров, что обеспечивает достаточно высокую локализацию участков с высоким риском возникновения пожара. Известные из уровня техники подходы строят прогноз пожарной опасности на весь регион целиком, что существенно усложняет задачу принятия решений о подготовке сил и средств до момента возникновения пожара.

На этапе (104) осуществляют прогнозирование вероятности возникновения природных пожаров на каждый из последующих пяти дней на данной регулярной сетке в результате чего получаются 5 карт.

Результатом заявленного решения является создание 5 карт, отражающих вероятность возникновения новых природных пожаров на заданной территорию на 5 дней вперед. Карта за каждый отдельный день представлена в виде изображения, где каждый пиксель соответствует одной клетке географической сетки размером менее 0.2 градусов. Формирование прогноза в каждой клетке не зависит от соседних клеток и обусловлено природно-климатическими показателями исключительно внутри данной клетки. В качестве функции активации на последнем слое нейронной сети используется функция сигмоиды. На вход функция активации сигмоида может принимать вещественные значения, которые на выходе переводит в диапазон значений от 0 до 1. Получаемые значения можно интерпретировать, как уверенность алгоритма в принадлежности объекта нулевому или первому классу. Таким образом, значения на выходе алгоритма для каждой клетки прогнозирования варьируются от 0 до 1, что соответствует вероятности появления нового пожара в данной клетке в каждый из последующих дней (чем ближе значение к 1, тем выше вероятность, что пожар возникнет в этой клетке в заданный день). На основе полученных карт можно выделить территории наиболее подверженные пожарной опасности при данных гео-климатических условиях.

Важно отметить, что модель предсказывает вероятность пожара на 5 будущих дней на основе только данных за прошедшие дни и не использует данные прогноза погоды на последующие дни. При данном подходе модель учится выявлять ключевые факторы и паттерны, которые в прошлом приводили к возникновению пожаров. Отказ от использования прогнозов погоды или других прогностических данных устраняет фактор неопределенности, связанный с потенциальной неточностью или ошибками в этих прогнозах. Это означает, что модель полагается исключительно на фактические исторические данные.

Заявленное решение позволяет определять участки с наибольшим риском возникновения новых пожаров и своевременно принимать меры для оперативного и эффективного реагирования в случае возникновения пожара (подготовка сил и средств), а также снижать такой риск за счет упреждающих мероприятий (например, искусственное увлажнение территорий).

Кроме того, заявленное решение позволяет на сетке вплоть до 0.1 градуса получить прогноз вероятности возникновения природного пожара по отдельности на каждый из последующих пяти дней. Не завися от краткосрочных прогнозов погоды, предлагаемый подход устойчив к их потенциальной ненадежности и изменчивости, фокусируясь на более стабильных исторических данных.

Кроме того, в заявленном решении реализована автоматическая выгрузка и обработка всех необходимых погодных и пространственных данных для создания предсказания. В основе подхода лежит использование нейросетевого алгоритма, который учитывает пространственные характеристики при формировании прогноза. Алгоритм может быть дополнительно адаптирован на новые территории для получения более точных прогнозов с учетом климатических и географических характеристик зоны интереса. По мере накопления данных и обратной связи от предыдущих прогнозов модель может корректировать и уточнять свои алгоритмы, что увеличивает ее точность и надежность.

На Фиг. 3 представлен пример общего вида вычислительной системы (300), которая обеспечивает реализацию заявленного способа или является частью компьютерной системы, например, сервером, персональным компьютером, частью вычислительного кластера, обрабатывающим необходимые данные для осуществления заявленного технического решения.

В общем случае, система (300) содержит объединенные общей шиной информационного обмена один или несколько процессоров (301), средства памяти, такие как ОЗУ (302) и ПЗУ (303), интерфейсы ввода/вывода (304), устройства ввода/вывода (305), и устройство для сетевого взаимодействия (306).

Процессор (301) (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в системе (300) также необходимо учитывать графический процессор, например, GPU NVIDIA или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах.

ОЗУ (302) представляет собой оперативную память и предназначено для хранения исполняемых процессором (301) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (302), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом в качестве ОЗУ (302) может выступать доступный объем памяти графической карты или графического процессора.

ПЗУ (303) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др.

Для организации работы компонентов системы (300) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (304). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п.

Для обеспечения взаимодействия пользователя с вычислительной системой (300) применяются различные средства (305) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.

Средство сетевого взаимодействия (306) обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (306) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.

В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Источники литературы:

1. Топкарян А.Х. и др. МОДЕЛЬ ПРОГНОЗИРОВАНИЯ УРОВНЯ ПРИРОДНОЙ ПОЖАРНОЙ ОПАСНОСТИ С ПРИМЕНЕНИЕМ ЗАКОНА РАСПРЕДЕЛЕНИЯ ПУАССОНА // Научные и образовательные проблемы гражданской защиты. - 2022. - №. 4 (55). - С. 38-48.

2. Жигалов И.Е., Озерова М.И. ПРОЕКТИРОВАНИЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ РИСКОВ ВОЗНИКНОВЕНИЯ ПРИРОДНЫХ ПОЖАРОВ // Научно-технический вестник Поволжья. - 2012. - №. 6. - С. 234-237.

3. Подольская А.С., Ершов Д.В., Шуляк П.П. Применение метода оценки вероятности возникновения лесных пожаров в ИСДМ-Рослесхоз // Современные проблемы дистанционного зондирования Земли из космоса. - 2011. - Т. 8. - №. 1. - С. 118-126.

4. Иванов Е.В. и др. О модели прогнозирования вероятности возникновения природного пожара на основе данных дистанционного зондирования Земли // Современные проблемы дистанционного зондирования Земли из космоса. - 2022. - Т. 19. - №. 3. - С. 77.

Изобретение относится к средствам интеллектуального прогнозирования вероятности возникновения природных пожаров. Сущность: получают набор геопространственных данных, содержащий метеорологические измерения за 7 дней до момента прогнозирования вероятности возникновения природных пожаров, данные о покрове Земли (тип растительного покрова, вегетационные индексы растительного покрова, доля поглощенной фотосинтетической активной радиации), пространственные данные (высота над уровнем моря, направление склона, уклон, плотность населения и удаленность от дорог). Осуществляют обработку полученного набора данных с помощью сверточной нейронной сети (СНС), обученной на наборах архивных данных, содержащих все вышеперечисленные группы признаков, а также эталонную разметку с координатами реально зафиксированного возникновения природных пожаров. На основе данной обработки СНС строят регулярную пространственную сетку для заданной области прогнозирования вероятности возникновения новых природных пожаров. Затем осуществляют прогнозирование вероятности возникновения природных пожаров на каждый из последующих пяти дней на данной регулярной сетке, в результате чего получают 5 карт. Технический результат: повышение эффективности прогнозирования вероятности возникновения природных пожаров на пять дней прогнозирования. 2 н. и 7 з.п. ф-лы, 3 ил.

1. Компьютерно-реализуемый способ интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых:

- получают набор геопространственных данных, содержащий:

-- метеорологические измерения за 7 дней до момента прогнозирования вероятности возникновения природных пожаров;

-- данные о покрове Земли, содержащие: информацию о типе растительного покрова, вегетационные индексы растительного покрова и данные о доле поглощенной фотосинтетической активной радиации (ФАР);

-- пространственные данные, содержащие: информацию о высоте над уровнем моря, направлении склона, уклоне, плотности населения и удаленности от дорог;

- осуществляют обработку полученного набора данных с помощью СНС, обученной на наборах архивных данных, содержащих все вышеперечисленные группы признаков, а также эталонную разметку с координатами реально зафиксированного возникновения природных пожаров, и

- на основе данной обработки СНС:

-- строят регулярную пространственную сетку для заданной области прогнозирования вероятности возникновения новых природных пожаров;

-- и осуществляют прогнозирование вероятности возникновения природных пожаров на каждый из последующих пяти дней на данной регулярной сетке, в результате чего получаются 5 карт.

2. Способ по п. 1, характеризующийся тем, что вегетационные индексы растительного покрова получают со спутника MODIS.

3. Способ по п. 1, характеризующийся тем, что к вегетационным индексам растительного покрова относятся: индекс листовой поверхности (LAI - Leaf Area Index), нормализованный вегетационный индекс (NDVI - Normalized difference vegetation index), усовершенствованный вегетационный индекс (EVI - Enhanced Vegetation Index).

4. Способ по п. 1, характеризующийся тем, что перед подачей набора данных на вход СНС данные приводятся к одному пространственному разрешению и производится нормализация данных.

5. Способ по п. 1, характеризующийся тем, что данные о покрове Земли дополнительно содержат по меньшей мере: границы водных объектов, типы растительного покрова, данные о рельефе и удаленность от населенных пунктов.

6. Способ по п. 1, характеризующийся тем, что метеорологические данные содержат по меньшей мере температуру, влажность, осадки.

7. Способ по п. 1, характеризующийся тем, что наборы архивных данных предварительно проходят этап верификации и фильтрации;

8. Способ по п. 1, характеризующийся тем, что дополнительно производится расчет индекса пожарной опасности, оценивающего динамику изменения свойств окружающей среды за определенный период времени.

9. Система интеллектуального прогнозирования вероятности возникновения природных пожаров с помощью геопространственных данных и сверточной нейронной сети (СНС) на пять дней прогнозирования, содержащая:

- по меньшей мере один процессор;

- по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивают выполнение способа пп. 1-8.