CC BY
7
УПРАВЛЕНИЕ В ОРГАНИЗАЦИОННЫХ СИСТЕМАХ (ТЕХНИЧЕСКИЕ НАУКИ) MANAGEMENT IN ORGANIZATIONAL SYSTEMS (TECHNICAL)
УДК 504.064.36
СОВЕРШЕНСТВОВАНИЕ СИСТЕМЫ М ОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ ЛЕСОПОЖАРНОЙ ОБСТАНОВКИ НА ТЕРРИТОРИИ НОВОСИБИРСКОЙ ОБЛАСТИ
А. А. БАЛОБАНОВ, А. В. СКРИПКА, С. А. МУЗЫЧЕНКО
Санкт-Петербургский университет государственной противопожарной службы МЧС России им. Героя Российской Федерации генерала армии Е. Н. Зиничева, Российская Федерация, г. Санкт-Петербург Е-mail: andrey.balobanov.92@mail.ru, skripka.a@igps.ru, 2169655@mail.ru
Обеспечение пожарной безопасности на территории лесных массивов на территории Российской Федерации остается крайне актуальной задачей. Методы, применяемые в данном направлении, совершенствуются каждый год, на что указывает уменьшающаяся статистика по количеству возникновений пожаров. Несмотря на это ежегодно лесными пожарами уничтожаются огромные площади, в том числе индустриальные объекты, появляются пострадавшие и погибшие.
В статье рассмотрены вопросы применения систем космического мониторинга с целью обеспечения пожарной безопасности лесов на территории Российской Федерации. Приведен порядок получения снимков с космических аппаратов территориальными органами МЧС России, порядок обработки космических снимков.
Предложен новый подход к процессу распределения поступающих космических снимков, а также пути решения проблем, возникающих в случае их перераспределения.
Основным направлением развития в области обработки космических снимков должностными лицами центров управления в кризисных ситуациях предлагается использовать методы машинного обучения с целью классификации изображений и выделения областей лесных пожаров. Обучение проводится с применением высокоуровневого языка программирования Python и его библиотек.
Ключевые слова: лесные пожары, система мониторинга, центр управления в кризисных ситуациях, чрезвычайная ситуация, модель классификации.
IMPROVEMENT OF THE SYSTEM OF MONITORING AND FORECASTING OF THE FOREST FIRE SITUATION IN THE TERRITORY OF THE NOVOSIBIRSK REGION
A. A. BALOBANOV, A. V. SKRIPKA, S. A. MUZYCHENKO
Saint-Petersburg University of State Fire Service of EMERCOM of Russia named after the Hero of the Russian Federation General of the Army E. N. Zinicheva, Russian Federation, Saint-Petersburg Е-mail: andrey.balobanov.92@mail.ru, skripka.a@igps.ru, 2169655@mail.ru
Ensuring fire safety on the territory of forests in the territory of the Russian Federation remains an extremely urgent task. The methods used in this direction are being improved every year, as indicated by the decreasing statistics on the number of fires. Despite this, huge areas, including industrial facilities, are destroyed by forest fires every year, victims and the dead appear.
The article discusses the application of space monitoring systems to ensure fire safety of forests on the territory of the Russian Federation. The procedure for obtaining images from spacecraft by the territorial bodies of the Ministry of Emergency Situations of Russia, the procedure for processing satellite images is given.
A new approach to the process of distributing incoming satellite images is proposed, as well as ways to solve problems that arise in the case of their redistribution.
© Балобанов А. А., Скрипка А. В., Музыченко С. А., 2023
The main direction of development in the field of satellite image processing by officials of control centers in crisis situations is proposed to use machine learning methods to classify images and highlight areas of forest fires. The training is conducted using the high-level Python programming language and its libraries.
Key words: forest fires, monitoring system, crisis management center, emergency situation, classification model.
Современные тенденции развития общества напрямую связаны с взаимодействием с природой, что обусловлено все большим использованием ресурсов для увеличения производственных мощностей для получения конечных продуктов. Одной из важнейших, как экономических, так и экологических составляющих нашей страны выступает лес.
В своем докладе министр природных ресурсов и экологии России Александр Козлов сообщил, что за 2022 год по всей стране произошли 12528 лесных пожаров. Площадь, пройденная огнём, превысила 3,4 миллиона гектаров. 79 %, а именно 7446 пожаров, пришлись на Сибирский и Дальневосточный федеральные округа, что составляет 2,6 миллионов гектаров.
Обеспечение пожарной безопасности лесов в настоящее время взято под строгий контроль руководством страны и МЧС России.
Дистанционное зондирование земли (ДЗЗ) показало себя эффективным инструментом для мониторинга, анализа и оценки оперативной обстановки, а также разработки превентивных мероприятий по предупреждению чрезвычайных ситуаций (ЧС). Основу мониторинга лесных пожаров, особенно на территории Сибирской и Дальневосточной частей России, представляет именно космический мониторинг, что обусловлено огромными площадями лесных массивов [1, 2].
Согласно Указа Президента РФ от 11 июля 2004 г. № 868 «Вопросы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бед-ствий»2 МЧС России осуществляет обработку данных дистанционного зондирования Земли из космоса, включая их сбор, получение, систематизацию, обновление, хранение, изменение, использование и предоставление органам повседневного управления единой государ-
1 https://www.mnr.gov.ru/press/news/pochti_80_lesnykh_p
ozharoy_y_rossii_v_2022_godu_prishlis_na_sibir_i_dalniy vostok_minprirody_mchs_i_/ Т Указ Президента РФ от 11 июля 2004 г. N 868 "Вопросы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бед-
ствий"
ственной системы предупреждения и ликвидации чрезвычайных ситуаций [3, 4].
На сегодняшний день основным поставщиком данных ДЗЗ на территории РФ выступает корпорация «Роскосмос»3, куда поступают заявки от МЧС России на осуществление съемки в целях идентификации ЧС.
Мониторинг ландшафтных пожаров с применением данных ДЗЗ специалистами центра управления в кризисных ситуациях Главного управления МЧС России по Новосибирской области осуществляется на основании алгоритма, приведенного на рис.1. Данный алгоритм является типовым для всех территориальных органов МЧС России.
Рис. 1. Схема алгоритма осуществления мониторинга с применением данных ДЗЗ на территории лесного массива на примере ГУ МЧС России по Новосибирской области
3 https://www.roscosmos.ru/
В пожароопасный период количество идентифицированных термических точек существенно возрастает, что влечет за собой увеличение количества заявок на космическую съемку и, как следствие, увеличение нагрузки на должностных лиц управления космического мониторинга Национального центра управления в кризисных ситуациях (УКМ НЦУКС), в связи с чем возникает очередь заявок и увеличение времени обработки космических снимков. Увеличение времени обработки космических снимков негативно отражается на времени принятия решений должностными лицами центра управления в кризисных ситуациях (ДЛ ЦУКС) ГУ МЧС России по Новосибирской об-
Данные изменения позволяют распределить поток заявок между территориальными органами МЧС России в части касающейся их, что будет иметь положительный эффект даже в том аспекте, что особенности региональной специфики в большей степени знают специалисты, трудящиеся на территории данных регионов [7].
Однако необходимо учитывать, что для распределения потока заявок, как это представлено на рис. 2, прежде всего ДЛ ЦУКС территориальных органов должны получить
ласти по проведению мероприятий по предупреждению и ликвидации ЧС [5, 6].
В связи с тем, что штатная численность сотрудников отдела УКМ НЦУКС, занимающегося обработкой данных ДЗЗ ограничена и определяется штатным расписанием, отсюда возникает необходимость распределения потока заявок на обработку космических снимков по территориальным органам, что позволит снизить нагрузку на ДЛ УКМ НЦУКС и увеличить скорость обработки потока заявок при сохранении качества тематической обработки снимков [4].
Предлагаемые изменения представлены на рис. 2.
Рис. 2. Предлагаемые изменения в схему алгоритма осуществления мониторинга с применением данных ДЗЗ на территории лесного массива на примере ГУ МЧС России
по Новосибирской области
определенные знания и навыки в данной области.
Данный вопрос представляется возможным решить следующим путем:
- повышение квалификации действующих ДЛ ЦУКС территориальных органов;
- поиск и прием специалистов, имеющих образование в данной области;
- применение заранее обученных моделей классификации спутниковых снимков.
6 Тематическая обработка снимков ДЛ ЦУКС ГУ МЧС России по Новосибирской области
С точки зрения наиболее перспективного пути совершенствования системы мониторинга и прогнозирования ЧС различного характера, в частности лесных пожаров, выступает процедура применения заранее обученных моделей.
Для обучения необходимо использовать заранее размеченные данные, данный подход носит название «обучение с учителем».
Для создания нейросети применяются следующие Python-библиотеки:
- Google Tensorflow;
- pyrsgis - для чтения и записи GeoTIFF;
- scikit-learn - для предобработки данных и оценки точности;
- NumPy - для базовых операций с массивами.
Процесс обучения проходит в несколько этапов:
- импорт библиотек;
- загрузка исходных файлов;
- считывание геолокационных данных GeoTIFF и значений цифровых номеров в виде отдельных ЫитРу-массивов;
- конвертация массивов в двухмерные, где каждая строка представляет отдельный пиксель (рис. 3);
- разделение выборки на обучающую и валидационную 60/40 (набор данных для обучения алгоритма разделяется в соотношении 60/40, где 60 % выборки используется для обучения алгоритма, 40 % используется для подбора параметров, выбора признаков и принятия других решений, касающихся обучения алгоритма);
- преобразование матриц признаков из двухмерных в трехмерные для восприятия моделью каждого пикселя по отдельности (рис. 4);
- обучение модели (рис. 5);
- оптимизация модели.
Рис. 3. Схема реструктуризации данных (Features - данные, в которых алгоритм будет искать закономерности, Label - категория, к которой относится та или иная закономерность, Built-up - выстраивание массива)
Рис. 4. Преобразование матриц признаков из двухмерных в трехмерные.
Hidden Layor
Рис. 5. Архитектура нейросети. (Band 2-Band 7 - количество узлов, равное числу диапазонов, Input Layer - входной слой, Hidden Layer - скрытый слой, Output Layer - выходной слой, Built-up, Non-built-up - категоризация результата)
Список литературы
1. Опыт обнаружения и мониторинга лесных пожаров по космическим снимкам / Н. М. Фирсов, А. Ф. Хабибуллин, В. Н. Сащенко [и др.] // Леса России и хозяйство в них. 2019. № 4 (71). С. 33-41
2. Колеров Д. А. Совершенствование методов мониторинга и реагирования на лесные пожары в Республике Коми (на примере искусственного интеллекта) // ОБЖ: Основы безопасности жизни. 2022. № 1. С. 56-59. EDN QSRTED.
3. Гизатуллин А. Т. Разработка методов использования данных дистанционного зондирования Земли для предупреждения природных пожаров // Географический вестник. 2021. №1 (56). а 149-161.
4. Басс Л. П., Кузьмина М. Г., Николаева О. В. Сверточные нейронные сети с глубоким обучением гиперспектральных спутниковых данных // Препринты ИПМ им. М. В. Келдыша. 2018. № 282. 32 с.
5. Сергиенко С. Б., Тихоненко Д. В. Обработка спутниковых снимков с помощью нейронных сетей с целью выявления природных катаклизмов // Решетневские чтения. 2017. № 21-2. а 282-284.
6. Матвеев А. В., Колеров Д. А. Перспективы применения искусственного интеллекта при реагировании на ЧС // Сервис безопасности в России: опыт, проблемы, перспективы. Мониторинг, предотвращение и ликви-
Чем больше исходных данных для обучения модели будет использовано на начальном этапе, тем точнее модель сможет классифицировать ЧС и выделять зоны возникновения ЧС.
Таким образом, для совершенствования системы мониторинга и прогнозирования лесных пожаров на территории Новосибирской области предлагается разделить потоки в процессе обработки космических снимков, а также с целью уменьшения времени обработки и сохранением качества тематической обработки снимков применять обученные модели по классификации ЧС и определению их масштабов.
Так же, распределение космических снимков на обработку между ДЛ УКМ НЦУКС и ДЛ ЦУКС территориальных органов позволят в процессе подготовки к пожароопасному сезону прогнозировать вероятные места возникновения лесных пожаров и возможные варианты их развития на основании статистических данных, что обусловлено более детальными знаниями территории ДЛ ЦУКС, на которой они выполняют свои функциональные обязанности.
дация чрезвычайных ситуаций природного и техногенного характера: материалы международной научно-практической конференции. СПб: Санкт-Петербургский университет ГПС МЧС России, 2021. С. 726-730. EDN IXSYYX.
7. Пушкин А. А., Сидельник Н. Я., Ковалевский С. В. Использование материалов космической съемки для оценки пожарной опасности в лесах // Труды БГТУ. Серия 1: Лесное хозяйство, природопользование и переработка возобновляемых ресурсов. 2015. № 1 (174). C. 36-40.
References
1. Opyt obnaruzheniya i monitoringa le-snyh pozharov po kosmicheskim snimkam [Experience in detecting and monitoring forest fires using satellite images] / N. M. Firsov, A. F. Khabibullin, V. N. Sashchenko [et al.]. Lesa Rossii i hozyajstvo vnih, 2019, vol. 4 (71), pp. 3341
2. Kolerov D. A. Sovershenstvovanie metodov monitoringa i reagirovaniya na lesnye pozhary v Respublike Komi (na primere is-kusstvennogo intellekta) [Improving methods for monitoring and responding to forest fires in the Komi Republic (using the example of artificial intelligence)]. OBZH: Osnovy bezopasnosti zhizni, 2022, issue 1, pp. 56-59. EDN QSRTED.
3. Gizatullin A.T. Razrabotka metodov ispol'zovaniya dannyh distancionnogo zondi-rovaniya Zemli dlya preduprezhdeniya prirodnyh
pozharov [Development of methods for using Earth remote sensing data to prevent natural fires]. Geograficheskij vestnik, 2021, vol. 1 (56), pp. 149-161.
4. Bass L. P., Kuzmina M. G., Nikolae-va O. V. Cvertochnye nejronnye seti c glubokim obucheniem giperspektral'nyh sputnikovyh dann-yh [Convolutional neural networks with deep learning of hyperspectral satellite data]. Preprinty IPM im. M. V. Keldysha, 2018, issue 282, 32 p.
5. Sergienko S. B., Tikhonenko D. V. Obrabotka sputnikovyh snimkov s pomoshch'yu nejronnyh setej s cel'yu vyyavleniya prirodnyh kataklizmov [Processing satellite images using neural networks to identify natural disasters]. Reshetnevskie chteniya. 2017. vol. 21-2, pp. 282284.
6. Matveev A. V., Kolerov D. A. Perspek-tivy primeneniya iskusstvennogo intellekta pri rea-
girovanii na CHS [Prospects for the use of artificial intelligence in emergency response]. Servis be-zopasnosti v Rossii: opyt, problemy, perspektivy. Monitoring, predotvrashchenie i likvidaciya chrez-vychajnyh situacij prirodnogo i tekhnogennogo haraktera: materialy mezhdunarodnoj nauchno-prakticheskoj konferencii. SPb: Sankt-Peterburgskiy universitet GPS MCHS Rossii, 2021, pp. 726-730. EDN IXSYYX.
7. Pushkin A. A., Sidelnik N. Ya., Ko-valevsky S. V. Ispol'zovanie materialov kosmich-eskoj s"emki dlya ocenki pozharnoj opasnosti v lesah [Using satellite imagery materials to assess fire danger in forests]. Trudy BGTU. Seriya 1: Le-snoye khozyaystvo, prirodopol'zovaniye i pere-rabotka vozobnovlyayemykh resursov, 2015, vol. 1 (174), pp. 36-40.
Балобанов Андрей Александрович
Санкт-Петербургский университет государственной противопожарной службы МЧС России
им. Героя Российской Федерации генерала армии Е. Н. Зиничева,
Российская Федерация, г. Санкт-Петербург
кандидат технических наук
E-mail: andrey.balobanov.92@mail.ru
Balobanov Andrey Aleksandrovich
Saint-Petersburg University of State Fire Service of EMERCOM of Russia
named after the Hero of the Russian Federation General of the Army E. N. Zinicheva,
Russian Federation, Saint-Petersburg
Candidate of Technical Sciences
E-mail: andrey.balobanov.92@mail.ru
Скрипка Александр Владимирович
Санкт-Петербургский университет государственной противопожарной службы МЧС России
им. Героя Российской Федерации генерала армии Е. Н. Зиничева,
Российская Федерация, г. Санкт-Петербург
Кандидат технических наук, доцент
E-mail: skripka.a@igps.ru
Skripka Alexandr Vladimirovich
Saint-Petersburg University of State Fire Service of EMERCOM of Russia
named after the Hero of the Russian Federation General of the Army E. N. Zinicheva,
Russian Federation, Saint-Petersburg
Candidate of Technical Sciences, docent
E-mail: skripka.a@igps.ru
Музыченко Сергей Анатольевич
Санкт-Петербургский университет государственной противопожарной службы МЧС России
им. Героя Российской Федерации генерала армии Е. Н. Зиничева,
Российская Федерация, г. Санкт-Петербург
E-mail: 2169655@mail.ru
Muzychenko Sergey Anatolievich
Saint-Petersburg University of State Fire Service of EMERCOM of Russia named after the Hero of the Russian Federation General of the Army E. N. Zinicheva, Russian Federation, Saint-Petersburg E-mail: 2169655@mail.ru
