CC BY
131
Оригинальная статья / Original article УДК 004.65, 614.841.42
DOI: http://dx.doi.org/10.21285/1814-3520-2018-9-111-120
РАЗРАБОТКА МЕТОДА ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ
ДИНАМИКИ РАЗВИТИЯ ЛЕСНОГО ПОЖАРА ПОСРЕДСТВОМ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА И ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯ
© Т.С. Станкевич1
Калининградский государственный технический университет, 236022, Российская Федерация, г. Калининград, Советский проспект, 1.
РЕЗЮМЕ. ЦЕЛЬ данной работы состоит в повышении эффективности оперативного прогнозирования динамики развития лесного пожара при нестационарности и неопределенности посредством разработки метода оперативного прогнозирования на базе искусственного интеллекта (Artificial Intelligence) и глубокого машинного обучения (Deep Machine Learning). МЕТОДЫ. Для решения поставленной задачи использованы методы системного анализа, методы теории нейронных сетей и глубокое машинное обучение. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. Для обеспечения формирования эффективного оперативного прогноза в сложных условиях (в условиях неопределенности и нестационарности) разработан метод оперативного прогнозирования динамики развития лесного пожара, предполагающий построение и настройку свёрточной нейронной сети - СНС (или Convolutional neural network - CNN). В работе описана общая логическая схема предлагаемого метода. Для построения и настройки сети использованы: данные о пожаре, полученные в режиме реального времени с помощью сканирующих радиометров MODIS и VIIRS, установленных на метеоспутниках; данные о факторах окружающей среды, характере лесных насаждений и виде пожара. ВЫВОДЫ. Разработанный метод оперативного прогнозирования на базе искусственного интеллекта и глубокого машинного обучения позволяет выполнить анализ визуальных данных и выявить ключевые зависимости распространения лесного пожара от факторов внешней среды, характера лесных насаждений и вида пожара.
Ключевые слова: лесной пожар, оперативное прогнозирование, искусственный интеллект, глубокое машинное обучение, свёрточная нейронная сеть, метод прогнозирования, неопределенность, нестационарность.
Информация о статье. Дата поступления 13 июля 2018 г.; дата принятия к печати 27 августа 2018 г.; дата онлайн-размещения 28 сентября 2018 г.
Формат цитирования. Станкевич Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. 2018. Т. 22. № 9. С. 111-120. DOI: 10.21285/1814-3520-2018-9-111120
DEVELOPMENT OF OPERATIONAL PREDICTION METHOD OF FOREST FIRE DYNAMICS BASED ON ARTIFICIAL INTELLIGENCE AND DEEP MACHINE LEARNING
T.S. Stankevich
Kaliningrad State Technical University,
1, Sovetskiy pr., Kaliningrad, 236022, Russian Federation
ABSTRACT. PURPOSE. The purpose of the present research is to increase the efficiency of operational prediction of forest fire dynamics under nonstationarity and uncertainty through the development of the operational prediction method based on Artificial Intelligence and Deep Machine Learning. METHODS. The methods of system analysis, neural networks, and deep machine learning are used to solve the set problem. RESULTS AND THEIR DISCUSSION. To ensure the formation of an effective operational prediction in the complex conditions of uncertainty and nonstationarity a method for operational prediction of forest fire dynamics has been developed. It consists in building and training of the convolu-
1
Станкевич Татьяна Сергеевна, кандидат технических наук, доцент кафедры защиты в чрезвычайных ситуациях, начальник отдела организации научно-исследовательской работы студентов, e-mail: [email protected] Tatiana S. Stankevich, Candidate of technical sciences, Associate Professor of the Department of Safety in Emergency Situations, Head of the Department of Students' Research Work Organization, e-mail: [email protected]
tional neural network (CNN). The paper describes the general logical scheme of the proposed method. CNN construction and setting is performed on the basis of the following data: the real-time fire data from the satellites using MODIS and VIIRS, data on environmental factors, data on the type of forest plantations and the type of fire. CONCLUSIONS. The developed operational prediction method based on Artificial Intelligence and Deep Machine Learning allows to analyze visual data and reveal the key dependences of forest fire propagation on the environmental factors, the type of forest plantations and the type of fire.
Keywords: forest fire, operational prediction, artificial intelligence, deep machine learning, convolutional neural network (CNN), prediction method, uncertainty, nonstationarity
Information about the article. Received July 13, 2018; accepted for publication August 27, 2018; available online September 28, 2018
For citation. Stankevich T.S. Development of operational prediction method of forest fire dynamics based on artificial intelligence and deep machine learning. Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta = Proceedings of Irkutsk State Technical University, 2018, vol. 22, no. 9, pp. 111-120. DOI: 10.21285/1814-3520-2018-9-111-120 (In Russian)
Введение
В настоящее время общемировая проблема обеспечения требуемого уровня пожарной безопасности лесов, направленная на реализацию устойчивого развития человечества во взаимодействии с окружающей средой, является остроактуальной. Решение данной проблемы имеет важное значения для Российской Федерации, которая в силу географического положения значительно подвержена опасности возникновения лесных пожаров.
Согласно статическим данным Рос-лесхоза [1], с 2009 по 2017 гг. наблюдается увеличение площади лесных земель, пройденной пожарами. Так, в 2009 г. площадь лесных земель, пройденная пожарами, составила ~ 2,6 млн га, в 2017 г. — 3,3 млн га, увеличение составило 27,92%. Анализ статистических данных за период с 2013 по 2017 гг. показал также рост расходов на охрану, защиту, воспроизводство лесов, расположенных на землях лесного фонда. В 2013 г. данный тип расходов составил ~ 30343,8 млн руб., а в 2017 г. - 37116,8 тыс. руб., рост составил 22,32%. При этом выше указанная динамика показателей наблюда-
ется при параллельном снижении общего количества лесных пожаров в России: за период с 1992 по 2017 гг. зафиксировано снижение в 2,36 раза - с 25777 случаев в 1992 г. до 10922 случаев в 2017 г.
Природные пожары в Российской Федерации являются угрозой национальной безопасности страны, негативно влияя на экономику государства и на экологическую обстановку как в стране, так и в мире.
Одним из направлений решения проблемы обеспечения необходимого уровня пожарной безопасности лесов является совершенствование процесса прогнозирования динамики развития лесных пожаров.
Цель данной работы состоит в повышении эффективности оперативного прогнозирования динамики развития лесного пожара при нестационарности и неопределенности посредством разработки метода оперативного прогнозирования на базе искусственного интеллекта (Artificial Intelligence) и глубокого машинного обучения (Deep Machine Learning).
Обоснование необходимости разработки метода оперативного прогнозирования динамики развития лесного пожара на базе искусственного интеллекта и глубокого машинного обучения
Как показал всесторонний анализ современных отечественных и зарубежных источников в области прогнозирования лесных пожаров [2-10], для формирования прогноза лесного пожара активно исполь-
зуются как в России, так и в мире (США, Канаде, Австралии, Западной Европе) волновые (эллиптические), статистические и имитационные модели лесного пожара. На базе волновых моделей построены такие
системы прогнозирования динамики лесных пожаров, как «Прометей» [6] и НатМар [8]. Примером применения статических моделей является модель, представленная в работе [10]. Имитационная модель лежит в основе системы прогнозирования динамики пожара FARSITE [7].
В ходе анализа функциональных особенностей моделей прогнозирования лесного пожара проведено сравнение данных типов моделей по следующим критериям: точность прогноза; временные затраты на построение модели; временные затраты на построение прогноза; вычислительная сложность построения прогноза; универсальность модели; функционирование в условиях неопределенности и нестационарности.
Получены следующие результаты:
- волновые модели характеризуется: относительно высокой точностью прогноза; относительно высокими временными затратами на построение модели; средними временными затратами на построение прогноза; относительно высокой вычислительной сложностью построения прогноза; универсальностью модели; ограниченной функциональность в условиях неопределенности и нестационарности;
- имитационные модели имеют: относительно высокую точностью прогноза; относительно высокие временные затраты на построение модели; средние временные затраты на построение прогноза; относительно высокую вычислительную сложность построения прогноза; универсальность; ограниченную функциональность в условиях неопределенности и нестационарности;
- статистические модели обладают: средней точностью прогноза; относительно высокими временными затратами на построение модели; относительно низкими временными затратами на построение прогноза; относительно низкой вычислительной сложностью построения прогноза; не обладают универсальностью; ограниченно функционируют в условиях неопределенности и нестационарности.
Как видим, существующие традици-
онные модели прогнозирования лесного пожара (волновые, имитационные, статистические) имеют ряд существенных недостатков. Анализ данных результатов позволяет сделать вывод, что хотя данные модели лесных пожаров широко применяются на практике, их использование ограничено в условиях оперативного прогнозирования.
В настоящее время наблюдается стремительное развитие таких областей информационных технологий, как искусственный интеллект, системы обработки больших объемов данных (Big Data) и глубокое машинное обучение. Рассмотренные информационные технологии являются высокоэффективным инструментом для решения широкого перечня задач, которые относятся к слабоформализуемым или не-формализуемым. Поскольку распространение пожара относится к типу слабоформа-лизуемых процессов, что обусловлено неустойчивостью и недостаточной изученностью механизмов физико-химических процессов горения, то применение данных перспективных информационных технологий направлено на обеспечение возможности формирования оперативного прогноза.
Существующие на данный момент модели прогнозирования динамики развития с использованием нейросетевых технологий (например, представленные в работах [11, 12]) устраняют часть недостатков, присущих традиционным моделям. Однако нейросетевые модели имеют трудности в практическом применении в связи со сложностью и трудоемкостью построения архитектуры сети с последующей настройкой, скрытым характером функционирования сети и др.
С учетом вышеизложенного автором настоящей статьи разработан метод оперативного прогнозирования динамики развития лесного пожара посредством применения перспективных информационных технологий - искусственного интеллекта и глубокого машинного обучения. Данный метод предназначен для повышения эффективности оперативного прогнозирования динамики развития лесного пожара при нестационарности и неопределенности.
Обоснование выбора свёрточной нейронной сети как элемента метода оперативного прогнозирования динамики развития лесного пожара
В процессе разработки метода оперативного прогнозирования динамики развития лесного пожара в сложных условиях (при неопределенности и нестационарности) предложено использовать свёрточную нейронную сеть.
Согласно [13-16] суть функционирования сети данного типа, представляющей собой один из методов глубокого машинного обучения, заключается в осуществлении последовательности переходов от конкретных особенностей входных данных к более абстрактным деталям до понятий высокого уровня. Особенностью архитектуры сети, представленной на рис. 1, является чередование свёрточных (С-1ауеге), субдискре-тизирующих ^-1ауеге) и полносвязных ^-1ауеге) слоев на выходе.
При этом ключевым слоем сети является свёрточный слой, где выполняется операция свёртки. В свёрточном слое ядро свёртки (матрица весов, являющаяся ограниченной и имеющая небольшой размер)
обрабатывает слой (для первого этапа в качестве обрабатываемого слоя используется входное изображение) и производит формирование сигнала активации после каждого сдвига. Сигнал активации передается на нейрон следующего слоя, имеющий соответствующее размещение. Благодаря обучению сети (наиболее распространенным методом обучения является метод обратного распространения ошибки) выполняется определение весовых коэффициентов ядра свёртки. После выполнения операции свёртки формируется карта признаков, демонстрирующая наличие и координаты признака в обрабатываемом слое.
Субдискретизирующий слой предназначен для уменьшения размерности карт признаков, сформированных предыдущим слоем сети. Данный слой выполняет выбор максимального нейрона из ряда соседних нейронов карты признаков, выбранный нейрон в дальнейшем заменяет всю рассматриваемую совокупность нейронов.
Рис. 1. Общий вид архитектуры свёрточной нейронной сети для формирования оперативного прогноза Fig. 1. General view of the convolution neural network (CNN) architecture for operational prediction formation
Полносвязный слой сети позволяет осуществить формирование полносвязной нейронной сети из абстрактных понятий, извлеченных из входного изображения.
Выбор свёрточной нейронной сети для решения задачи оперативного прогнозирования лесного пожара в сложных условиях при дефиците времени обусловлен достоинствами данного типа сетей.
Согласно [13-16] основными достоинствами сетей данного типа является их высокая точность и оперативность выполнения расчетов. Так, в соответствии с [16], при распознавании образов и изображений наилучшие возможные скорости распознавания достигнуты с использованием свёр-сточных нейронных сетей: 99,77% - с использованием базы данных рукописных цифр MNIST; 97,47% - с использованием набора данных трехмерных объектов МОРБ; 97,6% - с использованием более 5600 изображений с более чем 10 объектами. Производительность свёрточных нейронных сетей, как указано в работе [16], существенно превосходит производительность других алгоритмов распознавания объектов и изображений. Кроме того, в ряде задач результаты сети превосходят результаты, демонстрируемые людьми.
Также свёрточные нейронные сети характеризуются [13-16]: устойчивостью; возможностью увеличения производительности вычислений за счет распараллеливания; нетребовательностью к входным данным (требуется минимальная обработка входных данных); способностью производить самонастройку и самостоятельно определять иерархии абстрактных признаков с целью последующего определения ключевых деталей и др.
В настоящее время область применения свёрточных нейронных сетей многообразна. Как указано в [16], изначально данный тип многослойных искусственных нейронных сетей был разработан Яном Ле-куном для решения проблемы вариабельности 2D-фигур. Затем благодаря своим неоспоримым достоинствам сети стали применяться для классификации изображений, для автоматического распознавания речи и др.
С учетом вышеизложенного предлагается использовать свёрточную нейронную сеть для анализа визуальных данных и последующего выявления зависимостей влияния факторов окружающей среды, характера лесных насаждений и вида пожара на динамику развития лесного пожара.
Метод оперативного прогнозирования динамики развития лесного пожара на базе искусственного интеллекта и глубокого машинного обучения
Общая логическая схема разработанного метода оперативного прогнозирования динамики развития лесного пожара при неопределенности и нестационарности на базе искусственного интеллекта и глубокого машинного обучения представлена на рис. 2.
Предложенный метод основан на использовании данных из системы управления ресурсами (FIRMS) [17], которая предоставляет данные о распространении пожара в режиме реального времени (NRT) в течение 3 часов со спутника как с помощью спектрорадиометра с умеренным разрешением (MODIS, спутники Terra и Aqua),
так и с помощью видимого инфракрасного рентгенограммного набора ^1^). Методом также предусмотрено использование данных о факторах окружающей среды, данных о характере лесных насаждений и данных о виде пожара. Пример визуальных данных приведен на рис. 3.
Для оптимизации работы с собранными визуальными данными выполнено построение соответствующей базы данных, которая непрерывно пополняется. В настоящее время планируется защитить результаты интеллектуальной деятельности посредством подачи заявки на государственную регистрацию базы данных.
Рис. 2. Общая логическая схема метода оперативного прогнозирования динамики развития лесного пожара на базе искусственного интеллекта и глубокого машинного обучения Fig. 2. General block diagram of the method of forest fire dynamics operational prediction based on Artificial Intelligence and Deep Machine Learning
Рис. 3. Космоснимок территории, охваченной лесным пожаром: а - 18:24 GMT, 04.05.2018; VIRS 375 m; b - 11:12 GMT, 05.05.2018; VIRS 375 m; c - 09:06 GMT, 06.05.2018; VIRS 375 m; d - 15:36 GMT, 07.05.2018; VIRS 375 m
Fig. 3. A space image of the forest fire area: a - 18:24 GMT, 4 May 2018; VIRS 375 m; b - 11:12 GMT, 5 May 2018; VIRS 375 m; c - 09:06 GMT, 6 May 2018; VIRS 375 m; d - 15:36 GMT, 7 May 2018; VIRS 375 m
Метод оперативного прогнозирования динамики развития лесного пожара при неопределенности и нестационарности на базе искусственного интеллекта и глубокого машинного обучения включает последовательное выполнение следующих шагов:
первый этап - формирование базы визуальных данных о динамике развития лесных пожаров, о факторах окружающей среды, характере лесных насаждений и виде пожара;
второй этап - предварительная обработка данных для исключения из дальнейшей обработки искаженных элементов входного изображения;
третий этап (реализуется в случае отсутствия ранее сформированной сверхточной нейронной сети или необходимости ее изменения) - построение и/или настройка свёрточной нейронной сети;
четвертый этап - построение оперативного прогноза динамики развития лесного пожара посредством применения
моделей распространения лесного пожара.
Суть разработанного метода оперативного прогнозирования динамики развития лесного пожара заключается в формировании оперативного прогноза путем применения моделей распространения лесного пожара на базе свёрточной нейронной сети. Для построения адекватных моделей распространения лесного пожара необходима разработка адекватных сетей. Качество построения и обучения сети зависит от набора данных для построения и обучения сети.
Главной особенностью предложенного метода является необходимость проведения анализа значительного количества визуальных данных с целью выявления зависимостей влияния факторов окружающей среды, характера лесных насаждений и вида пожара на динамику развития лесного пожара путем применения свёрточной нейронной сети.
Таким образом, для обеспечения формирования эффективного оперативного прогноза в сложных условиях (в условиях неопределенности и нестационарности)
разработан метод оперативного прогнозирования динамики развитии лесного пожара посредством искусственного интеллекта и глубокого машинного обучения.
Заключение
На основании полученных результатов можно сформулировать следующие выводы:
1. Обоснована необходимость разработки метода оперативного прогнозирования динамики развития лесного пожара, учитывающего влияние факторов окружающей среды, характера лесных насаждений и вида пожара при нестационарности и неопределенности с использованием перспективных информационных технологий -искусственного интеллекта и глубокого машинного обучения. Существующие традиционные модели прогнозирования лесного пожара (волновые, имитационные и статистические модели) имеют ряд существенных недостатков, что делает их малоприменимыми для оперативного прогнозирования в сложных условиях.
2. Обоснован выбор свёрточной нейронной сети как элемента метода оперативного прогнозирования динамики развития лесного пожара. За счет ряда достоинств свёрточных нейронных сетей (высокой производительности, низких временных затрат на формирование решения, устойчивости, способности решать слабоформа-лизуемые или неформализуемые задачи)
1. Единая межведомственная информационно-статистическая система (ЕМИСС) [Электронный ресурс]. URL: https://fedstat.ru/ (30.05.2018).
2. Гришин А.М. Математическое моделирование лесных пожаров и новые способы борьбы с ними. Новосибирск: Наука, 1992. 404 с.
3. Масленников Д.А., Катаева Л.Ю. Моделирование лесных пожаров в трехмерной системе координат с учетом рельефа // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 4 (5). С. 2338-2340.
4. Перминов В.А. Математическое моделирование возникновения и распространения верховых лесных пожаров в осредненной постановке // Журнал технической физики. 2015. Т. 85. № 2. С. 24-30.
их применение для формирования оперативного прогноза лесного пожара при дефиците времени в условиях неопределенности и нестационарности является перспективным.
3. Разработан метод оперативного прогнозирования динамики развития лесного пожара посредством применения искусственного интеллекта и глубокого машинного обучения. Предлагаемый метод, как наглядно видно на общей логической схеме, представленной на рис. 2, включает четыре этапа: формирование базы визуальных данных; предварительная обработка данных; построение и/или настройка сети; построение оперативного прогноза динамики развития лесного пожара. Разработанный метод оперативного прогнозирования позволяет выполнить анализ визуальных данных о динамике лесных пожаров и выявить основные зависимости распространения лесного пожара от факторов внешней среды, характера лесных насаждений и вида пожара.
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-37-00035 «мол_а».
чий список
5. Рылкова О.И., Катаева Л.Ю., Масленников Д.А., Романова Н.А., Рылков И.В., Лощилов А.А. Численное моделирование лесного пожара в лесах Высокоборского лесничества Борского района Нижегородской области [Электронный ресурс] // Современные проблемы науки и образования. 2013. № 6. URL: http://www.science-education.ru/ru/artic-le/view?id=11671 (30.05.2018).
6. Welcome to FireGrowthModel.ca [Электронный ресурс]. URL: http://firegrowthmodel.ca (30.05.2018).
7. Farsite [Электронный ресурс]. URL: https://www.firelab.org/project/farsite (30.05.2018).
8. Finney M.A., Andrews P.L., Butler B.W., comps. An overview of FlamMap fire modeling capabilities [Электронный ресурс] // Proceedings RMRS-P-41. 2006.
pp. 213-220. URL:
https://www.fs.fed.us/rm/pubs/rmrs_p041/rmrs_p041_2 13_220.pdf (30.05.2018).
9. Ходаков В.Е., Жарикова М.В. Лесные пожары: методы исследования. Херсон: Гринь Д.С., 2011. 470 с.
10. Source Code for the EMBYR Wildfire Simulation Model [Электронный ресурс]. URL: https://www.geobabble.org/~hnw/embyr/ (30.05.2018).
11. Коморовский В.С., Доррер Г.А. Методика расчета параметров лесных пожаров как динамических процессов на поверхности земли с использованием данных космического мониторинга // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2010. № 3. С. 47-50.
12. Ясинский Ф.Н., Потёмкина О.В., Сидоров С.Г., Евсеева А.В. Прогнозирование вероятности возникновения лесных пожаров с помощью нейросетевого алгоритма на многопроцессорной вычислительной технике // Вестник Ивановского государственного энергетического университета им. В.И. Ленина. 2011. № 2. С. 82-84.
13. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks [Электронный ресурс]. Advances in Neural Information Processing Systems, 2012. 9 p. URL: https://www.cs.toronto.edu/~fritz/absps/imagenet.pdf (30.05.2018).
14. LeCun Y. LeNet-5, convolutional neural networks [Электронный ресурс]. URL: http://yann.lecun.com/exdb/lenet/ (02.04.2018).
15. Aghdam H.H., Heravi E.J. Guide to Convolutional Neural Networks. A Practical Application to Traffic-Sign Detection and Classification. Springer International Publishing, 2017. 282 p.
16. Hijazi S., Kumar R., and Rowen C. Using Convolutional Neural Networks for Image Recognition [Электронный ресурс]. Cadence IP-Group, White Paper, 2015. 12 p. URL:
https://ip.cadence.com/uploads/901/cnn_wp-pdf (30.05.2018).
17. Fire Information for Resource Management System (FIRMS) [Электронный ресурс]. URL: https://firms.modaps.eosdis.nasa.gov/map/#z:3.0;c:44.2 86,17.596 (30.05.2018).
References
1. Edinaya mezhvedomstvennaya informacionno-statisticheskaya sistema (EMISS) [The Single unified inter-department statistical information system (SUISIS)]. Available at: https://fedstat.ru/ (accessed 30 May 2018).
2. Grishin A.M. Matematicheskoe modelirovanie lesnyh pozharov i novye sposoby bor'by s nimi [Mathematical modeling of forest fires and new firefighting approaches]. Novosibirsk: Nauka Publ., 1992, 405 p. (In Russian)
3. Maslennikov D.A., Kataeva L.Yu. Modeling forest fires in a three-dimensional coordinate system based on topography. Vestnik Nizhegorodskogo universiteta im. N.I. Lobachevskogo [Vestnik of Lobachevsky University of Nizhni Novgorod]. 2011, no. 4 (5), pp. 2338-2340. (In Russian)
4. Perminov V.A. Mathematical simulation of forest fire occurrence and propagation in an averaged setting. Zhurnal tekhnicheskoi fiziki [Journal of Technical Physics]. 2015, vol. 85, no. 2, pp. 24-30. (In Russian)
5. Rylkova O.I., Kataeva L.Yu., Maslennikov D.A., Romanova N.A., Rylkov I.V., Loshchilov A.A. Numerical modeling of forest fires in forests of Vysokoborsky forestry Borskiy district of Nizhny Novgorod region. Sov-remennye problemy nauki i obrazovaniya [Modern Problems of Science and Education]. 2013, no. 6. Available at: http://www.science-education.ru/ru/artic-le/view?id=11671 (accessed 30 May 2018).
6. Welcome to FireGrowthModel.ca. Available at: http://firegrowthmodel.ca (accessed 30 May 2018).
7. Farsite. Available at:
https://www.firelab.org/project/farsite (accessed 30 May 2018).
8. Finney M.A., Andrews P.L., Butler B.W., comps. An
overview of FlamMap fire modeling capabilities. Proceedings RMRS-P-41. 2006. pp. 213-220. Available at: https://www.fs.fed.us/rm/pubs/rmrs_p041 /rm rs_p041 _2 13_220.pdf (accessed 30 May 2018).
9. Khodakov V.E., Zharikova M.V. Lesnye pozhary: metody issledovaniya [Forest Fires: Research Methods]. Kherson: Grin' D.S. Publ., 2011, 470 p. (In Russian)
10. Source Code for the EMBYR Wildfire Simulation Model. Available at:
https://www.geobabble.org/~hnw/embyr/ (accessed 30 May 2018).
11. Komorovskii V.S., Dorrer G.A. Method of calculation of parameters of forest fires, as dynamic processes in the earth surface based on space monitoring data. Vestnik Sibirskogo gosudarstvennogo aerokosmich-eskogo universiteta im. akademika M.F. Reshetneva [Scientific Journal of Science and Technology]. 2010, no. 3, pp. 47-50. (In Russian)
12. Yasinskii F.N., Potemkina O.V., Sidorov S.G., Evseeva A.V. Profnosticating probability of fire with connectionist algorithm on multiprocessor computer. Vestnik Ivanovskogo gosudarstvennogo energetich-eskogo universiteta im. V.I. Lenina [Vestnik of Ivanovo State Power Engineering University]. 2011. № 2. S. 82-84. Available at: http://ispu.ru/files/str.82-84_0.pdf (accessed 30 May 2018).
13. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 2012. 9 p. Available at: https://www.cs.toronto.edu/~fritz/absps/imagenet.pdf (accessed 30 May 2018).
14. LeCun, Y. LeNet-5, convolutional neural networks.
Available at: http://yann.lecun.com/exdb/lenet/ (accessed 30 May 2018).
15. Aghdam H.H., Heravi E.J. Guide to Convolutional Neural Networks. A Practical Application to Traffic-Sign Detection and Classification. Springer International Publishing, 2017. 282 p.
16. Hijazi S., Kumar R., and Rowen C. Using Convolu-tional Neural Networks for Image Recognition. Cadence
Критерии авторства
Станкевич Т.С. провела исследование, подготовила статью к публикации и несет ответственность за плагиат.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
IP-Group, White Paper, 2015. 12 p. Available at: https://ip.cadence.com/uploads/901/cnn_wp-pdf (accessed 30 May 2018).
17. Fire Information for Resource Management System (FIRMS). Available at:
https://firms.modaps.eosdis.nasa.gov/map/#z:3.0;c:44.2 86,17.596 (accessed 30 May 2018).
Authorship criteria
Stankevich T.S. has conducted the study, prepared the article for publication and bears the responsibility for plagiarism.
Conflict of interests
The author declares that there is no conflict of interests regarding the publication of this article.
