CC BY
33
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
ОЦЕНКА СОСТОЯНИЯ ЛЕСНОЙ ЭКОСИСТЕМЫ ПО ДАННЫМ ЭПИЗОДИЧЕСКОГО МОНИТОРИНГА В УСЛОВИЯХ
информационной неопределенности
В.Ф. КРАПИВИН, проф., Ин-традиотехники и электроники им. В.А. Котельникова РАН, д-р физ.-мат. наук,
В.С. ШАЛАЕВ, проф., директор ИСИЛМГУЛ, д-р техн. наук,
В.Д. БУРКОВ, проф. каф. ИИС и ТПМГУЛ, д-р техн. наук,
И.Л. БУКАТОВА, Ин-т радиотехники и электроники им. В.А. Котельникова РАН, д-р физ.-мат. наук,
В.Ю. СОЛДАТОВ, Ин-т радиотехники и электроники им. В.А. Котельникова РАН, канд. физ.-мат. наук
Любая мониторинговая система поставляет данные, которые характеризуют фрагменты контролируемой экосистемы. Поэтому оценка состояния лесной экосистемы или ур-боэкосистемы на обширной территории возможна лишь с привлечением согласованного комплекса технических и алгоритмических средств. Технические средства, базирующиеся на различных носителях, обеспечивают фрагментарную по пространству и эпизодическую во времени информацию о параметрах экосистемы. Восстановление пространственного образа экосистемы возможно с применением алгоритмических и модельных средств, которые осуществляют восстановление оценок параметров экосистемы в координатах и моментах времени, когда технические средства не использовались по различным причинам. Такая ситуация неизбежно возникает при дистанционных и контактных измерениях на обширных территориях. Летающие носители сенсоров производят измерения по трассам их перемещения, а наземные измерения реализуются в изолированных координатах. Восстановить пространственный образ изучаемой территории помогает ГИМС-технология [1]. Возникающие здесь задачи решаются с применением методов экоинформатики [2, 3].
Методы экоинформатики базируются на расширении роли вычислительной техники и математического моделирования в предположении наличия более или менее адекватной модели функционирования экосистем на контролируемой территории. Для конкретной работы с моделью в виде определенной серии
shalaev@mgul.ac.ru
вычислительных экспериментов необходима универсальная ЭВМ. Как правило, здесь возникают непреодолимые трудности, связанные с ограниченностью памяти и быстродействия. И в результате исследователь постоянно сталкивается с неразрешимым противоречием между стремлением повысить точность модели и возможностями ЭВМ. Ведь очевидно, что создание модели, адекватной реальному объекту, в конечном счете, не представляется возможным. С одной стороны, полный учет всех параметров объекта приводит исследователя к проблеме непреодолимой многомерности. С другой стороны, простые модели, учитывающие малое число параметров, не адекватны интересующим исследователя сложным объектам и процессам [4]. Кроме того, создание адекватной модели лесной экосистемы, а особенно урбоэкосистемы, принципиально невозможно из-за практической недостижимости полноты информации. Здесь также часто невозможно определить тип модели, следовательно, использование развитых технологий моделирования оказывается бесперспективным. В частности, попытки комплексного подхода к синтезу модели урбоэкосистемы уже показали, что традиционные методы формализации процессов в окружающей среде и обществе не могут дать достоверные оценки и прогнозы изменений ее характеристик. Тем не менее, поиск новых эффективных путей синтеза системы контроля состояния окружающей среды, способной давать достоверные оценки последствий антропогенной активности, привел к идее обучающихся вычислитель-
ЛЕСНОЙ ВЕСТНИК 7/2013
31
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
ных систем эволюционирующего типа [5]. В результате возникла новая теория моделирования, получившая название эволюционной информатики [6].
Алгоритм преодоления информационной неопределенности
Сохраним термин «модель», хотя ее интерпретация здесь имеет несколько другой смысл. Будем иметь дело с описанием объектов, изменяющихся во времени непредвиденным образом и вследствие этого обеспечивающих неустранимость информативной неопределенности в любой момент времени. Следовательно, модель в широком понимании должна обеспечивать непрерывную адаптацию к изменяющимся поведению и структуре наблюдаемого объекта.
Итак, пусть реальный объект А имеет неизвестный алгоритм функционирования, известна лишь некоторая предыстория {Y}n конечной длины п. Необходимо имитировать функционирование А с помощью моделей, создаваемых в системе, которая работает в реальном масштабе времени. Ясно, что должна быть сформирована последовательность все более адекватных моделей {Ak}, достоверность которых проверяется на предыстории. В результате исследований многих авторов возник новый подход к созданию обучающихся систем, основанный на моделировании механизмов эволюции. Эволюционное моделирование в целом можно представить иерархической двухуровневой процедурой (рис. 1). На первом уровне имеется два постоянно чередующихся процесса, названных условно процессом структурной адаптации и процессом использования. На k-м этапе адаптации в процессе работы алгоритма структурной адаптации синтезируются последовательность моделей {A }, i = 1,...,M из которых формируется память из K наиболее эффективных моделей (As\ ..., Ask}. На s-м этапе использования (следующим за k-м этапом адаптации) система использует модели, хранящиеся в памяти, продолжая выбирать из них наиболее эффективные.
Принципиальная схема i-го шага k-го этапа адаптации моделей представлена на рис.
2. Здесь блок «объект» означает, что реальный объект представлен предысторией {Y}n. Всеми остальными блоками осуществляется структурный адаптивный синтез моделей (структурная адаптация). Работа i-го шага начинается с выбора «мутанта» Afa/, которым является либо A^7, либо модель, уже использованная на предыдущем (i-1) - м шаге к-го этапа адаптации. В блоке «синтез структуры» из структуры | А]ы | с помощью режимов случайных изменений синтезируется структура | AJ . Модель Ald поступает в блок эволюционный отбор», где в соответствии с критерием F либо запоминается, либо забывается.
Процедура эволюционного отбора моделей обеспечивает практически неограниченное во времени функционирование системы в условиях неустранимой информационной неопределенности. При этом кроме предыстории {Y}n , как правило, не удовлетворяющей требованиям статистической однородности, в распоряжении исследователя не имеется другой информации. Ясно, что в этих условиях приходится максимально использовать всю доступную информацию и, в частности, информацию о работе этапов адаптации и использования. В алгоритме параметрической адаптации она используется уже для адаптации параметров первого уровня: характер ис-тического числа каждого режима изменений, кратности использования режима изменений, объема списка режимов изменений, вероятностного распределения режимов изменений списка, вероятностного распределения К-мо-делй A7k, объема памяти на этапе адаптации, длины предыстории и др. [6].
Одним из возможных путей повышения эффективности эволюционных программных средств является разработка архитектуры спецпроцессорной реализации эволюционных систем обработки информации, включающей укрупненный функциональный базис, крупноблочное (мультипроцессорное) конструирование при однородности элементной базы, разнотипное распараллеливание вычислительных процессов на уровне системы, процессоров и элементов, переменность функционирования и структуры (состава и связей) синтезируемых моделей, иерархичес-
32
ЛЕСНОЙ ВЕСТНИК 7/2013
Рис.1. Схема двухуровневой процедуры эволюционного моделирования
Рис. 2. Концептуальная блок-схема /-го шага к-го этапа адаптации моделей
ЛЕСНОЙ ВЕСТНИК 7/2013
33
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
кое распределенное по всем уровням управления.
Анализ алгоритмических аспектов эволюционных спецпроцессоров позволяет сформулировать основные требования и задачи, которые необходимо обеспечить и решить при разработке эволюционных аппаратных средств. Здесь возникают задачи алгоритмического характера, свойственные для системного, процессорного (блочного) и элементного уровней реализации: максимальное распараллеливание, укрупнение базовых операций, обеспечение максимальной перестра-иваемости, формирование распределенных памяти и управления, отбор моделей, синхронизация и диспетчеризация, ввод-вывод информации и т.д.
Максимальное распараллеливание может быть обеспечено за счет параллельной аппаратной организации вычислительных процессов, включающих обмен информацией между отдельными процессорами, выполнение базовых операций микропроцессорами (операций по структурным изменениям и оценке синтезируемых моделей) и т.д. Например, для аппаратурных реализаций систем перцептронного типа распараллеливание повышает быстродействие системы на 2-3 порядка, а параллельность операций в базовых элементах еще добавляет к этому 1-2 порядка. Так что здесь заложены определенные резервы повышения быстродействия, если учесть, что распараллеливание функционирования синтезируемых моделей в каждом микропроцессоре еще более повысит этот выигрыш во времени.
Задача укрупненных базовых операций требует разработки микропроцессоров, проблемно ориентированных на выполнение процесса эволюционного структурного синтеза в заданном классе моделей при фиксированных процедуре случайного поиска, списке режимов изменения и оценивающих функционалах. Аппаратурная реализация таких базовых микропроцессоров сопряжена с трудностями разработки аппаратных средств управления, по преодолении которых с созданием оптических сверхбольших интегральных схем появляются определенные
возможности, связанные с расширением функциональных свойств элементной базы [6].
Максимальная перестраиваемость обеспечивает адаптивность к изменениям характеристик входных сигналов, к динамике условий обработки (в том числе к изменению мультипроцессорности), к закладываемой априорной информации и к другим факторам эволюционного вычислительного процесса. В полном объеме такая перестраиваемость обеспечивается текущей корректировкой параметров, переходом к иным вычислительным процедурам и другим вычислительным процессам, а также переменностью состава и структуры связей между базовыми элементами. Все это увеличивает вероятность достижимости требуемого состояния спецпроцессора и обеспечивает его надежность.
Распараллеливание эволюционных систем обработки на различных уровнях требует соответствующего распределения по уровням функций накопления и хранения информации, используемой далее для контроля и управления соответствующих процессов, процедур и базовых операций. Тем самым преодолевается существенный недостаток последовательной (Фон - Неймановской) архитектуры традиционных вычислительных устройств, в которых обработка и хранение информации разделены, что приводит к потерям времени на адресную передачу данных.
В общем случае многоуровневая структура распределенной памяти иерар-хична, когда накопленная информация, например относительно работы элементов, используется при оценке функционирования микропроцессора, а информация относительно процессов используется в оценке работы спецпроцессора.
Процесс управления в традиционных вычислительных устройствах осуществляется централизованно в последовательном адресном режиме, что требует относительно больших затрат времени, особенно в многопроцессорных системах. В результате же распределенного по уровням управления можно существенно за счет распараллеливания процессов корректировки (обучения) повысить быстродействие системы. Становится ясной
34
ЛЕСНОЙ ВЕСТНИК 7/2013
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 3. Принципиальная структура системы автоматизации научных исследований с использованием устройств типа предсказывающих и распознающих процессоров
взаимосвязь распределенных памяти и управления, аппаратные реализации которых осуществляют одни и те же принципы. В частности, распределенная память позволяет осуществить индивидуальную реализацию интегральных коррекций на любом уровне системы.
Синхронизация и диспетчеризация базовых операций и процедур внутри совокупностей процессоров, а также типовых вычислительных процессов между совокупностями процессов и другими блоками спецпроцессора является алгоритмической и схемотехнической задачей. В рамках мультипроцессорной реализации эволюционного вычислительного процесса целесообразно асинхронное взаимодействие параллельных фрагментов алгоритма и, вообще, необходима асинхронная схемотехника.
Таким образом, наличие возможности аппаратной реализации эволюционной технологии моделирования открывает большие перспективы в системах геоинформационного мониторинга. Элементная база микроэлектроники позволяет повысить уровень автоматизации научных исследований в области окружающей среды за счет включения в структуру систем мониторинга специализированных устройств типа предсказывающих и распознающих процессоров (рис. 3).
Во многих случаях цель системы обработки данных состоит в установлении или уточнении модели исследуемого процесса, а также одновременное управление им. Эволюционная технология обеспечивает достижение этой цели в условиях, когда другие подходы не работают. Оснащение же систем мониторинга окружающей среды специали-
ЛЕСНОЙ ВЕСТНИК 7/2013
35
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
зированными оптоэлектронными процессорами позволит универсализировать их функции и сделать их возможности более широкими. Например, при использовании метода управления со структурным идентификатором, принципиальная схема которого подробно описана в монографии Крапивина, Кондратьева [3], система мониторинга сможет принимать решения при отсутствии информации о функциональных связях в исследуемом процессе.
Одной из успешных реализаций описанной методики является многофункциональная информационно-моделирующая система для гидрофизического эксперимента (МИМСГЭ) [8, 9].
Реконструкция пространственного образа
по отрывочной информации
Эволюционная технология позволяет в условиях неустранимой информационной неопределенности восстановить пространственный образ, например, лесной или ур-боэкосистемы, когда измерения их характеристик осуществляются эпизодически во времени и фрагментарно в пространстве. В качестве примера реализации этой технологии рассмотрим эксперименты по определению влажности лесной подстилки и оценке пожарной опасности. В работе [9] эволюционная технология была реализована в виде многофункциональной информационно-мо-делирующей системы для гидрофизического эксперимента (МИМСГЭ), одной из функций которой является восстановление пространственного распределения характеристик регионального водного баланса.
Летом 2007 г. Институт радиотехники и электроники им. В.А. Котельникова выполнил работы по внедрению технологии МИМ-СГЭ на территории Болгарии для создания элемента национальной службы по контролю развития гидрологических процессов в национальном парке Ровенски Лом и в окрестностях села Николово (Русенская область). Измерения проводились с помощью самолета-лаборатории голландской фирмы Miramap, оборудованного радиометрами диапазона 6 и 21 см производства НПО «Вега» [7].
Самолет Компании Miramap прилетел из Голландии в Болгарию в конце июля 2007 г. и выполнил требующуюся съемку выбранных районов 30 июля, 31 июля и 2 августа. Погода благоприятствовала работе: 30 и 31 июля было сухо и солнечно, а 1 августа полил проливной дождь и 2 августа был произведен полет над теми же участками, что и 31 июля, но эти участки были сильно увлажнены. Таким образом, за краткий 3-дневный период была накоплена представительная информация о динамике увлажнения и переувлажнения почвы и лесной подстилки.
Входными данными были оцифрованные топографические карты с разрешением 9х9 м, метеорологические данные на момент проведения измерений, классификационные карты почвенно-растительных формаций. Полученные результаты верифицировались с использованием контрольных данных наземных измерений. Результаты реконструкции пространственного образа двух объектов представлены на рис. 4 и 5.
На рис. 6 приведены результаты применения технологии МИМСГЭ для оценки пожарной опасности в Северо-Енисейском районе Красноярского края. Рассмотренный случай основан на использовании текущих метеорологических данных за рассматриваемый период с учетом ранее проведенных в этом регионе дистанционных измерений [10].
Вероятность Р пожарной опасности рассчитывалась по методу последовательного анализа Вальда [1, 11] у
P(T;<y)=Wc 00= Jwc (z)dz-, где о
c = [E(v)]2[D(v)J1,
v - ожидаемое время достижения влажностью подстилки т уровня у.
В качестве критической пороговой величины у влажности лесной подстилки принималась граница 15 % [12] и оценивалась вероятность достижения этой границы текущим значением этой влажности. Безусловно, при-
36
ЛЕСНОЙ ВЕСТНИК 7/2013
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
веденный пример лишь показывает функциональные возможности технологии МИМСГЭ. Для более надежной оценки пожарной опасности необходимо иметь детальные данные о типе леса и распределении лесных горючих материалов, а также регулярные сведения об осадках, температуре, давлении и ветре. Технология МИМСГЭ позволяет оптимизировать информационную базу, необходимую для достоверной оценки пожарной опасности леса.
Оценка риска снижения биосложности лесной и урбоэкосистем с учетом особенностей регионального климата и социально-экономических характеристик
В той или иной степени состояние лесной и урбоэкосистем является функцией биологической сложности территории, которая, в свою очередь, за длительный промежуток времени определяется природными и антропогенными процессами на сопредельных территориях, а в долговременной
перспективе - и глобальными процессами. Одним из важных обстоятельств формирования биологической сложности территории является защита растительных сообществ от возникновения инфекционных заболеваний. Так, Foley и др. [13] изучили процессы заражения различных уровней лесной экосистемы и показали, что нарушение устойчивого равновесия в экосистеме за счет внедрения дополнительных специй на любом уровне может существенно изменить биоразнообразие других уровней и, в конечном счете, привести к необратимому изменению уровня биологической сложности. При этом, как показано Carey [14] и Bakke [15], применение, например, пестицидов может повысить экологические риски для населения территории и особенно для клещей, грызунов и других диких животных.
Очевидно, что лесная и урбоэкосис-темы являются многофакторными системами, включающими чисто природные и соци-
Рис. 4. Схема и результаты применения технологии МИМСГЭ для реконструкции пространственного распределения параметров влажности почвы и лесной подстилки в регионе национального парка Болгарии Ровен-ски Лом по данным дистанционного микроволнового мониторинга. Сплошными и пунктирными линиями указаны трассы полета самолета-лаборатории. Пунктирными линиями отмечены трассы, на которых осуществлялась калибровка радиометров. Стрелками отмечены места наземных измерений и указаны погрешности применения технологии МИМСГЭ
ЛЕСНОЙ ВЕСТНИК 7/2013
37
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 5. Пример восстановления пространственного распределения влажности почвы и лесной подстилки в регионе села Николово (Болгария) - (а) в динамике ее изменения спустя сутки (б), двое суток (в) и четверо суток (г) после проливного дождя. Обозначения указаны на рис. 4
оооооооооо -
"•"Л-------гг^тг.ltauiwuiHwwH пожарной
I ;Ду1ШЙМИ1
__ш_^^_____1П HI_11г"111МШ11н опасности
Рис. 6. Пример расчета вероятности пожарной опасности в Северо-Енисейском районе Красноярского края (а) в среднем за летние месяцы - май (б), июнь (в) и июль (г)
38
ЛЕСНОЙ ВЕСТНИК 7/2013
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 7. Структурная схема мониторинговой системы поиска и обнаружения зон возможного загорания в лесу
альные аспекты. Взаимодействие населения с природной компонентой в обоих случаях связано с процессом обезлесивания и замены элементов экосистем. В случае лесной экосистемы проблема заключается в управлении процессом заготовки древесины, который включает факторы замены лесной экосистемы другими типами экосистем, в основном имеющих сельскохозяйственное назначение. В этой связи Moreno и др. [16] применили многофакторную модель для решения возникающих здесь задач, рассмотрев набор сценариев замены лесной экосистемы сельскохозяйственными экосистемами и вторичным лесом, и на примере ряда регионов Венесуэлы показали, что существуют решения, обеспечивающие устойчивое развитие всех
процессов под глобальным административным контролем.
Pukkala и др. [17] изучили проблему устойчивого управления биоразнообразием лесной экосистемы путем регулирования пространственной однородности леса за счет вырубки высоких деревьев. На примере разновозрастной норвежской ели, растущей на юге Финляндии, показано, что существует экономически оптимальное управление прореживанием такого леса, приводящее к восстановлению пространственной однородности экосистемы с ориентацией на использование этого леса в качестве зоны отдыха и снижения уровня пожарной опасности.
Как уже отмечалось, одной из серьезных угроз устойчивому развитию территории
ЛЕСНОЙ ВЕСТНИК 7/2013
39
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
является лесной пожар. Риски возникновения лесных пожаров зависят от состояния почвенно-растительной формации на залесенной территории. Их расчет на основе регулярного мониторинга, согласно схеме рис. 7, позволяет обнаруживать очаги возможного загорания в лесу с упреждением во времени и тем самым давать время соответствующим службам провести подготовку к своевременному уничтожению очага загорания. Схема достаточно проста. В едином центре мониторинга леса в режиме реального времени регистрируются данные о температуре атмосферы, влажности лесной подстилки и полога леса, а также другие сопутствующие данные о скорости и направлении ветра, давлении и т.д. На основе этих данных по заранее выбранным алгоритмам рассчитываются индикаторы S , на основе которых с помощью технологии МИМСГЭ оценивается риск загорания леса. В случае превышения определенного уровня риска на конкретной территории система мониторинга начинает собирать статистику таких превышений и на ее основе принимает окончательное решение с выдачей сигнала тревоги службам тушения пожаров. Поскольку измеряемые характеристики х. лесной экосистемы содержат шумы £ ., то для принятия решений применяются статистические методы и, в частности, кластерный анализ.
В штате Флорида (США) Агентство по обслуживанию леса создало систему оценки риска пожара FRAS (Fire Risk Assessment System), которая через Интернет поставляет оперативную информацию о риске возникновения лесного пожара в заданном районе-пикселе [18]. Основной принцип диагностики покрытой лесом территории базируется на индексе чувствительности WFSI (Wildland Fire Susceptibility Index).
Norman и др. [19] рассмотрели ряд концептуальных моделей для оценки риска возникновения лесного пожара в зависимости от информационной неопределенности и характера горючих материалов и их состояния с оценкой риска загрязнения атмосферы. Описана процедура оценки риска CRAFT (Comparative Risk Assessment Framework and Tools), позволяющая идентифицировать уровень опасности лесного пожара на террито-
рии города. Другой вариант аналогичной системы описан в работе [20].
Bollinger и др. [21] предложили модель риска возникновения лесного пожара как функцию ключевых характеристик локальной территории и времени с особым акцентом на социальные аспекты проблемы. Модель конкретизирована для территории штата Орегон (США). Аналогично технологии МИМСГЭ вся территория делится на районы-пиксели и на основе анализа пространственно-временного потока данных от систем мониторинга оценивается вероятность выхода точечного процесса за пределы определенной зоны, определяемой в процессе обучения модели на основе случившихся событий. Социальные аспекты риска возникновения лесного пожара также проанализированы в работе [22].
Как правило, решения об оценке риска возникновения пожара на локальной территории носят частный характер и не дают возможности принимать решение с учетом состояния более обширных территорий. Технология МИМСГЭ обеспечивает универсальность процедуры принятия решения об уровне пожарной опасности независимо от размеров контролируемой территории и ее географического положения. Тем не менее, дальнейшее развитие этой технологии зависит от уровня изученности взаимной зависимости социальных и природных процессов, обусловленой их интерактивностью. Поэтому регулирование социальных процессов неизбежно сказывается на функционировании природных систем, а это неизбежно приводит к необходимости развития правовых механизмов перехода к устойчивому развитию.
Как справедливо заметил McConnel [23], до сих пор остается в значительной мере загадкой, почему некоторые леса подверглись фрагментации, деградации и потере видового разнообразия, тогда как другие леса остаются в хорошем состоянии и даже расширяются. В конечном счете, динамика и структура лесного покрова определяется сложной и интерактивной совокупностью таких факторов, как биогеофизические процессы, рост плотности населения, рыночные отношения, различные возмущающие воздействия (включающие лесные пожары) и институционные микроструктуры.
40
ЛЕСНОЙ ВЕСТНИК 7/2013
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Лесные пожары воздействуют на формирование глобального круговорота углерода. Действительно, глобальные масштабы лесных пожаров за последние годы стали эквивалентны по площади территории Австралии. В атмосферу выбрасывается почти 40 % глобальных выбросов СО2. При этом 90 % лесных пожаров имеет антропогенное происхождение. Это означает, что естественный баланс природных факторов сильно нарушается и законы естественной эволюции подвергаются мощному воздействию. Возникновение лесного пожара по антропогенным причинам невозможно предсказать с помощью любой современной технологии. Поэтому совершенствование, например технологии МИМСГЭ, необходимо осуществлять путем развития методик учета роли социальной составляющей.
Библиографический список
1. Krapivin VF. and Shutko A.M. Information technologies for remote monitoring of the environment. Springer/Praxis, Chichester U.K. - 2012. 498 pp.
2. Бурков В.Д. Экоинформатика. Алгоритмы, методы и технологии / В.Д. Бурков, В.Ф. Крапивин. - М.: МГУЛ, 2009. - 430 с.
3. Крапивин В.Ф. Глобальные изменения окружающей среды: экоинформатика / В.Ф. Крапивин, К.Я. Кондратьев. - С.-Пб.: Изд-во Санкт-Петербургского государственного университета, 2002. - 724 с.
4. Дегерменджи А.Г. Глобальные малоразмерные модели динамики и устойчивости биосферы / А.Г. Дегерменджи, С.И. Бартцев // Пробл. окр. среды и природных ресурсов. 2003. - № 7. - С. 32-49.
5. Букатова И.Л. Эвоинформатика: теория и практика эволюционного моделирования / И.Л. Букатова, Ю.И. Михасев, А.М. Шаров. - М.: Наука, 1991.
- 205 с.
6. Гуляев Ю.В. На пути к эволюционной информатике / Ю.В.Гуляев, В.Ф. Крапивин, И.Л. Букатова // Вестник АН СССР, 1987. - № 11. - С. 53-61.
7. Канев В. Мониторинговая система Болгарии (ГИМС-регион) / В. Канев, В.Ф. Крапивин, Е.П. Новичихин, К. Миленов и др. // Проблемы окружающей среды и природных ресурсов. - 2008.
- № 5. - С. 87-95.
8. Солдатов В.Ю. Диагностика физических явлений и процессов в гидрофизических системах / В.Ю. Солдатов // Материалы IX Международного Симпозиума «Проблемы Экоинформатики», Москва, 9-11 декабря 2010 г. - М.: НТОР и ЭС им. А.С. Попова. - С. 100-104.
9. Солдатов В.Ю. Многофункциональная информа-ционно-моделирующая система для гидрофизического эксперимента: дисс. ... канд. техн. наук,
ИРЭ им. В.А. Котельникова РАН, / В.Ю. Солдатов. - Москва, 2011. - 150 с.
10. Бородин Л.Ф. Дистанционные измерения характеристик земной поверхности / Л.Ф. Бородин, В.Ф. Крапивин // Пробл. окр. среды и природных ресурсов. - 1998. - № 7. - С. 38-54.
11. Крапивин В.Ф. Таблицы распределения Вальда / В.Ф. Крапивин. - М.: Наука, 1965. - 183 с.
12. Матвеев А.М. Загораемость лесной подстилки в связи с величиной показателя влажности / А.М. Матвеев, Т.А. Матвеева // Международный журнал прикладных и фундаментальных исследований, 2012. - № 4. - С. 30-32.
13. Foley J.E., Nieto N.C., Foley P. Emergence of tick-borne granulocytic anaplasmosis associated with habitat type of forest change in northern California. Am. J. Trop. Med. Hyg., 2009. 81(6), 1132-1140.
14. Carey A.B. Biocomplexity and restoration of biodiversity in temperate coniferous forest: inducing spatial heterogeneity with variable density thinning. Forestry, 2003, 76(2), 127-136.
15. Bakke D. Forest service pesticide risk assessment. Proceedings of the Wildlife anf Invasive Plants Symposium, January 31, 2007. 17 pp.
16. Moreno N., Quintero R., Ablan M., Barros R., D6v^ J., Ramirez H., Tonella G., Acevedo M. Biocomplexity of deforestation in the Caparo tropical forest reserve in Venezuela: An integrated multi-agent and cellurar automata model. Environmental Modelling & Software. 2007. 22(5), 664-673.
17. Pukkala T., L^de E., Laiho O. Variable-density thinning in uneven-aged forest management - a case for Norway spruce in Finland. Forestry, 2011, 84(5), 557-565.
18. Fire Risk Assessment System (FRAS). Florida Forest Service. Salt Lake City. 2002. 129 pp.
19. Norman S.P., Lee D.C., Jacobson S., Damiani C. Assessing risk to multiple resources affected by wildfire and forest management using an integrated probabilistic framework. In: J.M. Pye, H.M. Rauscher, Y. Sands, D.C. Lee, J.S. Beatty (Eds.) Advances in threat assessment and their application to forest and rangeland management. Tech. Rep. PNW-GTR-802, Portland OR, US Department of Agriculture, Forest Service, Pacific Northwest and Southern Research Stations. 2010. 361-370.
20. Pence M., Zimmerman T. The Wildland Fire Decision Support System: Integrating science, technology, and fire management. Fire Management Today, 2011, Vol. 71, No.1, pp. 18-22.
21. Brillinger D.R., Preisler H.K., Benoit J.W. Risk assessment: a forest fire example. In: D.R. Goldstein (Ed.) Statistics and science: a Festschrift for Terry Speed. Beachwood, OH. Institute of Mathematical Statistics. 2003. 177-196.
22. Sutton L. Common denominators of human behavior on tragedy fires. Fire Management Today. 2011. 71(1). 13-18.
23. McConnel W.J. ^ver change - tales ofthe unexpected. Global Change Newsletter, 2004, Vol. 57, pp. 8-11.
ЛЕСНОЙ ВЕСТНИК 7/2013
41
