CC BY
2
УДК 614.841.2
ПОСТАНОВКА НАУЧНОЙ ЗАДАЧИ ПО ОБОСНОВАНИЮ РАЦИОНАЛЬНОГО РАЗМЕРА КЛАСТЕРА ПРИ ФОРМИРОВАНИИ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ПРИРОДНОЙ ПОЖАРНОЙ ОПАСНОСТИ ПО
ПОГОДНЫМ УСЛОВИЯМ
A.B. Рыбаков
доктор технических наук, профессор, профессор кафедры (высшей математики) Академия гражданской защиты МЧС России имени Д.И. Михайлика
Адрес: 141435, Московская обл., г.о. Химки, мкр. Новогорск, ул. Соколовская, стр. 1А E-mail: a.rybakovQamchs.ru
A.B. Дмитриев
научный сотрудник научно-исследовательского отдела (по проблемам ГО и ЧС) Академия гражданской защиты МЧС России имени Д.И. Михайлика
Адрес: 141435, Московская обл., г.о. Химки, мкр. Новогорск, ул. Соколовская, стр. 1А E-mail: а.dmitrievQamchs.ru
Е.В. Иванов
кандидат технических наук, доцент, доцент кафедры (аварийно-спасательных работ) Академия гражданской защиты МЧС России имени Д.И. Михайлика
Адрес: 141435, Московская обл., г.о. Химки, мкр. Новогорск, ул. Соколовская, стр. 1А E-mail: е.ivanovQamchs.ru
Аннотация. В данной статье представлен метод разработки прогностических моделей, нацеленных на предсказание возникновения природных пожаров в Российской Федерации. Для построения этих моделей был использован подход, основанный на методах машинного обучения, включая градиентный бустинг и деревья решений. Математические модели и алгоритмы кластеризации были применены для анализа пространственных данных и выделения характеристик, связанных с вероятностью возникновения природных пожаров. Важным этапом работы является интерполяция данных и уточнение пространственной разбивки, что способствует значительному повышению точности прогнозов и локализации участков, подверженных риску. Основными источниками информации, использованными при разработке моделей, являются базы данных, содержащие информацию о термоточках и метеорологических данных, предоставленные МЧС России. Решение задачи, сформулированной в статье, позволит определить рациональные размеры пространственных кластеров, что, в свою очередь, обеспечит прогнозирование возникновения природного пожара с наибольшей вероятностью при заданной точности.
Ключевые слова: модель прогнозирования природных пожаров, пожарная опасность, мониторинг, модели машинного обучения, кластеризация, метеорологические параметры. Цитирование: Рыбаков A.B., Иванов Е.В., Дмитриев A.B. Постановка научной задачи по обоснованию рационального размера кластера при формировании модели прогнозирования природной пожарной опасности по погодным условиям / / Научные и образовательные проблемы гражданской защиты. 2023. № 3 (58). С. 62 - 69.
Природные пожары (несмотря на общее должают оставаться серьезной опасностью снижение показателей (рисунки 1 и 2)) про- для ряда регионов нашей страны.
Рисунок 1 Распределение количества ножаров (в сравнении с 2021 годом)
но федеральным округам
Рисунок 2 Распределение площади ножаров (в сравнении с 2021 годом)
но федеральным округам
Bcei'o в 2022 г. на территории Российской Федерации возникло 12 528 очах'ов природных ножаров (что ниже показателей 2021 года на 17,1%). Общая площадь, пройденная огнем, составила 3 345 710,71 га.
Следует отметить рост использования современных технологий в практике мониторинга и прогнозирования природных ножаров [1,2]. Применение данных дистанционно-IX) зондирования Земли позволило выявить
в 2022 году более 160 тыс. термических точек. Применение беспилотных авиационных систем (в 2022 году применялись для целей подтверждения термоточек свыше тысячи раз) показало высокую эффективность в решении задач для сбора информации на начальном этапе при принятии управленческих решений.
Вместе с тем, практика борьбы с природными пожарами показала, что важнейшей задачей при снижении ущерба является своевременное обнаружение термоточек и идентификация их как очага природного пожара [3]. В свою очередь, решение данной задачи может быть достигнуто только в том случае если есть четкое понимание о географической локализации участка местности, для которого наиболее вероятно возникновение очага природного пожара.
В настоящее время в качестве таких моделей выступают базирующиеся на оценке класса пожарной опасности [4,5], в том числе и зарубежные, такие как The McArthur Forest Fire Danger Index (Австралия), National Fire Danger Rating System (США), Canadian Forest Fire Danger Rating System (Канада). Данные показатели позволяют осуществить ранжирование территорий по пожарной опасности в зависимости от погодных условий, характеристик лесных горючих материалов, антропогенной нагрузки.
Кроме того, значительное распространение в настоящее время приобретают методики, позволяющие производить вероятностную оценку возникновения природного пожара [6,7]. Указанные методы базируются на оценке вероятности возникновения природных пожаров с применением известных законов распределения, на основе обработки статистических данных о зарегистрированных событиях (подтвержденных термоточках) и соответствующих им показателях параметров, определяющих пожарную опасность.
Существенной проблемой всех применяемых методов является определение тех участков местности, для которых пожарная обстановка будет определяться одними и теми же параметрами.
В работе [7] осуществлена постановка задачи формирования модели оценки вероятности правильного предсказания возникновения события (природного пожара (Р(¿)), от факторов (Р), оказывающих влияние на пожарную опасность.
Р = / (1)
где Р = (/1; /2.../т) _ совокупность факторов, оказывающих влияние на пожарную опасность (т - общее число значимых факторов); I .......... временной отрезок на который осуществляется прогноз.
В настоящее время практическое решение, основанное на применении моделей машинного обучения, использующих схему градиентного бустинга (библиотека машинного обучения CatBoost [8]) позволило получить точность прогнозной модели свыше 75% для территории Красноярского края [7].
Учитывая, что алгоритмы градиентного бустинга, реализующие по сути функцию построения суммы деревьев решений, по аналогии с градиентным спуском, осуществляют решение задачи минимизации ошибки [9], то их точность будет обуславливаться объемом выборки статистических данных, подобранных для обучения и верификации модели.
Алгоритм градиентного бустинга в задачах бинарной классификации реализует так называемое обучение с учителем. Суть реализуемого метода состоит в построении дерева решений (рисунок 3) на основе данных выборки о параметрах Р и соответствующих им значениях целевой функции N (где N принимает бинарные значения «0» - если термоточка не фиксировалась, «1» - если термоточка фиксировалась).
Рисунок 3 Схематическое изображения дерева решений
Сам алгоритм построения дерева решений включает в себя последовательное определение наиболее значимого критерия (Fj) при разбиении обучающей выборки, дающей наибольшее снижение величины энтропии Шеннона (4)
с
Е = Pil°92Pi, (2)
i=1
ем выборки, для которой проводится обучение дерева.
Величина энтропии Шеннона показывает меру неупорядоченности, полученной на каждом узле системы показателей исходов (фиксация / не фиксация термоточки).
В качестве показателя, характеризующих) выгоду «разбиения» выборки но значению показателя Fj выступает связанная с энтропией Шеннона величина прироста информации (Information Gain) [11].
с N
I = Еп-1 N •Еп, (3)
г=1
где Еп-\ - величина энтропии Шеннона на внутреннем узле, предшествующем делению выборки; N - число объектов в новой выбор-
N
объем выборки в узле, образующемся после ветвления.
Значения фактора Fj, приводящие к максимуму значения функции (3), будут являться
условием деления выборки на 2 узла. В качестве величины шага значений фактора Fj выступает величина погрешности его измерений, либо любая другая, задаваемая оператором.
Необходимо отметить, что разбиение выборок может осуществляться сколь угодно точно, вплоть до приведения величины (2) к нулю, то есть ситуации, когда в каждом терминальном узле будет только один исход. С точки зрения практики построения деревьев решений и их применения для решения задач прогноза задают минимально допустимый прирост величины (3), по достижению которого дерево решений считается обученным.
Учитывая, что количество событий, по которым осуществляется построение дерева решений, превышает несколько тысяч, то построение модели идет до заданной оператором точности (частота реализации целевого, предсказываемого события в терминальном узле не ниже заданной).
Основную сложность при реализации методов Big Data составляет необходимость локализовать участки местности, для которых будет осуществляться прогноз [7] и выявление значимых факторов.
Для выявления статистически значимых факторов Fj могут быть применены к методам дисперсионного и ковариационного анализа, но в случае решения задачи, определения оптимального участка местности для построения прогнозной модели, целесообразно применение методов кластерного анализа, таких как DBSCAN [121.
С точки зрения практического применения построенных моделей наименее проработанной в настоящее время задачей, связанной с прогнозированием природной пожарной опасности, является задача повышения достоверности модели прогнозирования вероятности возникновения природного пожара, за счет локализации участков местности со схожими параметрами с точностью не ниже заданной.
Построение модели прогноза осуществляется исходя из допущения о том, что имеющаяся на дату составления вероятностного прогноза t информация определяется значением прогноза, а также значениями условий (влияющих на пожарную обстановку) на период времени t + п. Применительно к задаче прогноза модель принимает следующий вид (4)
Р(t) = f i(F(t) | F(t + n)); S}, (4)
где S - размеры кластера, для которого осуществляется прогноз.
Рассмотренная постановка задачи предполагает применение статистических методов прогнозирования, суть которых будет сводиться к определению наиболее значимых факторов, влияющих на пожарную опасность (статистические методы), либо логической (физико-статистические методы) зависимости на основе анализа данных многолетних наблюдений для конкретного участка местности.
При этом точность модели (Т) будет определяться как отношение числа правильно предсказанных событий (True Positive), когда модель предсказывала возникновение термоточки и фактически регистрировался пожар, к сумме правильно предсказанных событий и событий, когда имела места ошибка предсказания, но пожар был зарегистрирован (False Positive)
Т = TP / (TP + FP), (5)
где TP - число правильно предсказанных событий; FP - число ложных прогнозов, когда событие не прогнозировалось, но произошло.
Величина S для модели (4) будет определять изменчивость факторов F, что очевидно вытекает из положения о том, что чем меньше величина географической области, для которой осуществляется построение модели,
тем меньше величина изменчивости факторов, влияющих на целевую функцию. Учитывая, что величина N в выражении 3 будет определяться временным отрезком, включающим наблюдения по факторам F, входящим в обучающую выборку, задача обоснования рационального размера кластера при формировании модели прогнозирования природной пожарной опасности по погодным условиям будет иметь следующий вид
Р = f (F; 5; N) —> max, (6)
s
В качестве ограничений принимается:
N = const, (7)
Р ~ Ртгп.
То есть необходимо найти такие размеры кластера (S), для которого прогнозная модель, при известном постоянном объеме обучающей выборки (N) будет способна прогнозировать вероятность возникновения природных пожаров, при заданной точности.
Решение указанной задачи возможно за счет итерационного изменения значений обучающей выборки путем включения / исключения в кластер новых наблюдений, что в конечном итоге приводит к изменению размеров кластера на величину A S = So - S\.
Для случая, когда не соблюдаются условия по ограничению точности и она превышает заданные значения, кластер увеличивается A S > 0, в качестве нового наблюдения, включаемого в выборку, рассматривается наиболее близко находящееся к границам кластера So-Затем, по ранее представленному алгоритму осуществляется переобучение модели и сверка ее метрик с ограничениями на точность. В случае если модель не удовлетворяет требованиям к точности, предыдущую операцию повторяют, если удовлетворяет, размер кластера считаем оптимальным.
Напротив, если точность построенной модели намного ниже заданных значений, то поэтапно осуществляется уменьшение размеров кластера A S < 0, последовательно убирая из выборки значения, дающие False Positive результат. Аналогично предыдущему описанию производится переобучение модели и проверка ее на соблюдение условий по точности.
Определение вероятности возникновения природного пожара в заданной области является задачей, требующей применения математических моделей и методов анализа данных. Для достижения более точной локализации участков, где возможно возникновение природных пожаров, применяется алгоритм кластеризации и интерполяция данных.
Кластеры в данном контексте представляют собой группы термоточек, используемых для обучения модели. Размер кластера определяется количеством входящих в него термоточек, которые имеют географические параметры, такие как долгота и широта. Эти параметры играют важную роль, так как события, подаваемые на обучение, имеют свои географические координаты.
Внутри каждого кластера происходит разбиение на подкластеры с использованием координатной сетки. Метеопараметры, выступающие в роли факторов, предоставляются в виде данных, привязанных к сетке с определенным разрешением, например, 2,5 на 2,5 градуса. Таким образом, на углах квадратов координатной сети будут размещены данные по интересующим параметрам, которые используются для анализа и прогнозирования.
Для более точной локализации участков и определения вероятности возникновения природных пожаров проведена интерполяция данных, в результате чего размер сетки был заменен на 0,65 на 0,65. Это позволяет получить более детальные значения и повысить точность предсказаний
У = У1 + ((х-Х1)/(Х2 - х1) * (У2 - у1)) (8) где:
нате;
X
XI
Х2 - наибольший параметр; 1 2
Внутри каждого подкластера 0,65 на 0,65 модель вычисляет вероятность возникновения природного пожара, присваивая ему значение 1 или 0. При этом, если термоточка находится в подкластере, имеющем значение 1 (таким он будет является если на его углах предсказаны значения 1), с точностью в 75% для него будет фиксироваться природный пожар. Это свидетельствует о том, что данная термоточка представляет потенциальный риск пожара.
Таким образом, применение моделей кластеризации, интерполяции данных и вероятностных оценок позволяет более точно локализовать участки местности и определить вероятность возникновения природных пожаров.
Использование математических моделей и алгоритмов кластеризации позволяет провести анализ пространственных данных и выделить характеристики, связанные с возникновением природных пожаров. Интерполяция данных и уточнение пространственной разбивки помогают повысить точность предсказаний и локализации участков с высокой вероятностью пожаров.
Литература
1. Катаргина И.В., Брешина В.Н., Закирова С.В., Завидская М.Г. Космос на службе МЧС России // Актуальные вопросы пожарной безопасности. - 2022. - № 1(11). - С. 47 - 55.
2. Агеев В.Г., Коляда А.Ю., Шиш О.С., Диденко A.A. Применение беспилотных летательных аппаратов для мониторинга лесных и степных пожаров // Научный вестник НИИГД Респиратор. — 2019. — № 3(56). - С. 7 - 18.
3. Топкарян А.Х., Белоусов Р.Л., Дрожжин H.A., Араштаев А.И. Научно-методический аппарат рационального распределения сил и средств РСЧС для подтверждения природных пожаров по данным космического мониторинга // Сибирский пожарно-спасательный вестник. - 2022. - № 4(27). — С. 56 - 64.
4. Приказ Федерального агентства лесного хозяйства от 5 июля 2011 г. №287 «Об утверждении классификации природной пожарной опасности лесов и классификации пожарной опасности в лесах в за-
висимости от условий погоды» [Электронный ресурс] URL: https://docs.cntd.ru/document/902289183 (дата обращения: 18.05.2023 г.).
5. Губенко U.M.. Рубинштейн К.Г. Сравнительный анализ методов расчета индексов пожарной опасности / / Труды гидрометеорологического научно-исследовательского центра Российской Федерации. - 2012. - №347. - С. 207 - 222.
6. Плотникова A.C., Ершов Д.В., Шуляк П.П. Использование закона Пуассона для оценки вероятности возникновения лесных пожаров на территории Иркутской области // Региональные проблемы дистанционного зондирования Земли: материалы международной науч.конф. - Красноярск: Сиб.федер. ун-т, 2014. С. 237 - 241.
7. Иванов Е.В., Рыбаков A.B., Дмитриев A.B., Фукс Э.К. 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 - 87.
8. Ibrahim, Abdullahi & Raheem, Ridwan & Muhammed, Muhammed & Abdulaziz, Rabiat & Ganiyu, Saheed. (2020). Comparison of the CatBoost Classifier with other Machine Learning Methods. International Journal of Advanced Computer Science and Applications. 11. 11.
9. Салахутдинова К.И., Лебедев U.C., Кривцова ILK. Алгоритм градиентного бустинга деревьев решений в задаче идентификации программного обеспечения / / Научно-технический вестник информационных технологий, механики и оптики. - 2018. — Т. 18, № 6. — С. 1016 — 1022.
10. Дулесов A.C., Карандеев Д.Ю., Кондрат H.H. Возможности применения выражения шеннона при определении количества информации // Вестник Хакасского государственного университета им. Н.Ф. Катанова. - 2016. - № 15. - С. 5 - 7.
11. Nowozin, Sebastian. (2012). Improved Information Gain Estimates for Decision Tree Induction. Proceedings of the 29th International Conference on Machine Learning, ICML 2012. I.
12. Мазаник А.И., Белоусов Р.Л., Дрожжин H.A., Араштаев А.И. Пространственная группировка природных пожаров с помощью иерархической кластеризации данных / / Научные и образовательные проблемы гражданской защиты. - 2020. - № 2(45). - С. 85 - 97.
FORMULATION OF A SCIENTIFIC PROBLEM TO JUSTIFY THE RATIONAL SIZE OF A CLUSTER IN THE FORMATION OF A MODEL FOR FORECASTING NATURAL FIRE HAZARD ACCORDING TO WEATHER CONDITIONS
Anton DMITRIEV
researcher at the research department
(on civil defense and emergency situations)
The Civil Defence Academy of EMERCOM of Russia
named after D.I. Mikhailika
Address: 141435, Moscow region, city Khimki,
md. Novogorsk, st. Sokolovskaya, building 1A
E-mail: a.dmitrievQamchs.ru
Anatoly RYBAKOV
doctor of technical sciences, professor,
professor of the department (higher mathematics)
The Civil Defence Academy of EMERCOM of Russia
named after D.I. Mikhailika
Address: 141435, Moscow region, city Khimki,
md. Novogorsk, st. Sokolovskaya, building 1A
E-mail: a.rybakovQamchs.ru
Evgeniy IVANOV
candidate of technical sciences, associate professor, associate professor of the department (rescue work) The Civil Defence Academy of EMERCOM of Russia named after D.I. Mikhailika Address: 141435, Moscow region, city Khimki, md. Novogorsk, st. Sokolovskaya, building 1A E-mail: e.ivanovQamchs.ru
Abstract. This article presents a method for developing predictive models aimed at predicting the occurrence of wildfires in the Russian Federation. To build these models, an approach based on machine learning methods was used, including gradient boosting and decision trees. Mathematical models and clustering algorithms were applied to analyze spatial data and highlight characteristics associated with the likelihood of wildfires. An important stage of the work is the interpolation of data and refinement of the spatial breakdown, which contributes to a significant increase in the accuracy of forecasts and localization of areas at risk. The main sources of information used in developing the models are databases containing information about thermal points and meteorological data provided by the Russian Ministry of Emergency Situations. The goal of this research work was to achieve the highest accuracy of models, which is considered as the main criterion for optimizing spatial clusters.
Keywords: wildfire forecasting model, fire danger, monitoring, machine learning models, clustering, meteorological parameters.
Citation: Rybakov A.V., Ivanov E.V., Dmitriev A.V. Formulation of a scientific problem to justify the rational size of a cluster in the formation of a model for forecasting natural fire hazard according to weather conditions // Scientific and educational problems of civil protection. 2023. № 3 (58). S. 62 - 69.
References
1. Katargina I.V., Breshina V.N., Zakirova S.V., Zavidskaya M.G. Space in the service of the Ministry of Emergency Situations of Russia // Current issues of fire safety. - 2022. - No. 1(11). - S. 47 - 55.
2. Ageev V.G., Kolyada A.Yu.. Shish O.S., Didenko A.A. Application of unmanned aerial vehicles for monitoring forest and steppe fires // Scientific Bulletin of NIIGD Respirator. - 2019. - No. 3(56). -S. 7 - 18.
3. Topkaryan A.K., Belousov R.L., Drozhzhin N.A., Arashtaev A.I. Scientific and methodological apparatus for the rational distribution of forces and means of the RSChS for confirming natural fires according to space monitoring data // Siberian Fire and Rescue Bulletin. - 2022. - No. 4(27). - S. 56 - 64.
4. Order of the Federal Forestry Agency of July 5, 2011 No. 287 "On approval of the classification of natural fire danger in forests and the classification of fire danger in forests depending on weather conditions "[Electronic resource] URL: https://docs.cntd.ru/document /902289183 (date of access: 18.05.2023).
5. Gubenko I.M., Rubinshtein K.G. Comparative analysis of methods for calculating fire danger indices // Proceedings of the Hydrometeorological Research Center of the Russian Federation. - 2012. - No. 347. -S. 207 - 222.
6. Plotnikova A.S., Ershov D.V., Shulyak P.P. Using Poisson's law to assess the probability of forest fires in the Irkutsk region // Regional problems of remote sensing of the Earth: materials of the international scientific conference. - Krasnoyarsk: Sib.feder. Univ., 2014. S. 237 - 241.
7. Ivanov E.V., Rybakov A.V., Dmitriev A.V., Fuks E.K. On a model for predicting the probability of a natural fire based on data from remote sensing of the Earth / / Modern problems of remote sensing of the Earth from space. - 2022. - T. 19, No. 3. - S. 77 - 87.
8. Ibrahim, Abdullahi & Raheem, Ridwan & Muhammed, Muhammed & Abdulaziz, Rabiat & Ganiyu, Saheed. (2020). Comparison of the CatBoost Classifier with other Machine Learning Methods. International Journal of Advanced Computer Science and Applications. 11. 11.
9. Salakhutdinova K.I., Lebedev I.S., Krivtsova I.E. Algorithm for gradient boosting of decision trees in the software identification problem // Scientific and Technical Bulletin of Information Technologies, Mechanics and Optics. - 2018. - T. 18, No. 6. - S. 1016 - 1022.
10. Dulesov A.S., Karandeev D.Y., Kondrat N.N. Possibilities of using the Shannon expression in determining the amount of information // Bulletin of the Khakass State University. N.F. Katanova. - 2016. - No. 15. -S. 5 - 7.
11. Nowozin, Sebastian. (2012). Improved Information Gain Estimates for Decision Tree Induction. Proceedings of the 29th International Conference on Machine Learning, ICML 2012. 1.
12. Mazanik A.I., Belousov R.L., Drozhzhin N.A., Arashtaev A.I. Spatial grouping of natural fires using hierarchical data clustering // Scientific and educational problems of civil protection. - 2020. - No. 2(45). -S. 85 - 97.
