CC BY
71
Интернет-журнал «Науковедение» ISSN 2223-5167 http ://naukovedenie.ru/ Том 7, №5 (2015) http ://naukovedenie. ru/index.php?p=vol7-5 URL статьи: http://naukovedenie.ru/PDF/23TVN515.pdf DOI: 10.15862/23TVN515 (http://dx.doi.org/10.15862/23TVN515)
УДК 004.67
Глаголев Владимир Александрович
ФГБОУ ВПО «Приамурский государственный университет имени Шолом-Алейхема»
Россия, Биробиджан1 Старший преподаватель Кандидат географических наук E-mail: [email protected] РИНЦ: http://elibrary.ru/ author_items.asp?authorid= 170273
Восстановление показателей пожарной опасности растительности по условиям погоды
1 679015, Россия, г. Биробиджан, ул. Широкая, 70а
Аннотация. В данной работе выделены методы восстановления (интерполяции) показателей пожарной опасности по условиям погоды и осуществлена их проверка на территории с регулярными метеонаблюдениями. Восстановление показателей пожарной опасности осуществлялось в ячейках прямоугольной регулярной сети, наложенной на территорию Хабаровского края и Еврейской автономной области размером 0,56°x0,56° в проекции Пулково 1942. Все узлы интерполяции представлены 22 гидрометеостанциями, из них равнинных - 16 и горных - 6 (высота над уровнем моря свыше 200 м).
Созданные программные средства в среде программирования картографического пакета Surfer 10 и RAD Studio Delphi 2010 позволили оперативно построить пространственное распределение показателей пожарной опасности и провести их кросс-валидацию по двум статистическим критериям: среднеквадратическая ошибка интерполяции и коэффициент Нэша-Сатклиффа. Для северной, центральной и южной частей исследуемой территории: предложено 9 детерминистических и геостатистических методов интерполяции лесопожарного показателя засухи с географической привязкой данных; проведена проверка методов интерполяции по всем гидрометеостанциям (контрольным точкам) на основе базового периода с 1960 по 1991 гг.; оптимальными выделены три метода восстановления (обратно-взвешенных расстояний, полиномиальная регрессия, локальная полиномиальная интерполяция).
Ключевые слова: растительность; пожарная опасность; погодные условия; восстановление; интерполяция; лесопожарный показатель засухи; базы данных; информационная система.
Ссылка для цитирования этой статьи:
Глаголев В.А. Восстановление показателей пожарной опасности растительности по условиям погоды // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, №5 (2015) http://naukovedenie.ru/PDF/23TVN515.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI: 10.15862/23TVN515
Погодные условия являются одним из основных факторов, влияющих на вероятность возникновения и скорость распространения пожаров растительности. В настоящее время густота сетей метеостанций на территории Российской Федерации не позволяет в полной мере проводить мониторинг пожароопасной обстановки, поскольку расчет показателей по условиям погоды осуществляется, в основном, по данным единичной гидрометеостанции (ГМС), зона наблюдений которых составляет 30 км [5, 10]. Применение современных средств дистанционного зондирования позволяет вести территориально распределенное наблюдение за погодными условиями, однако дискретный характер некоторых метеоданных, таких как суточный объем осадков и скорость ветра, а также пропуски информации на спутниковых снимках в случае облачности накладывают ограничения на их использование. Поэтому для нахождения показателей пожарной опасности на растительной территории, особенно в кварталах участковых лесничеств, находящихся на значительном удалении от метеостанций и пунктов охраны, необходимо применять различные методы пространственного восстановления данных.
Целью работы является выбор метода восстановления показателей пожарной опасности по условиям погоды и верификация его на территории Хабаровского края и Еврейской автономной области (ЕАО) для расчета метеорологической пожарной опасности. Для этого необходимо выполнить следующие задачи: 1) анализ методов интерполяции и возможности применения их для оценки пожарной опасности по условиям погоды; 2) определить параметры проверки методов; 3) разработать модули реализации метода интерполяции и проведения его кросс-валидации; 4) верифицикация восстановленных значений лесопожарного показателя.
Известны две группы интерполяционных методов с географической привязкой данных [3]: детерминистические и геостатистические. Наиболее общим их принципом является нахождение весовой функции, отражающей динамическое изменение показателей между узлами интерполирования, а также проверка сравнением восстановленных и фактических данных по выбранным узлам интерполирования. Детерминистические широко используются в различных областях прикладной и научной деятельности, они базируются на технике создания поверхностей по известным значениям в отдельных точках путем продления закономерностей распределения значений по мере удаления от точек, или путем сглаживания различий. К этой группе относят методы: обратно-взвешенных расстояний [16]; Шепарда [18]; минимизация кривизны [20]; полиномиальная регрессия [15]; базисные радиальные функции [19]; триангуляция Делоне с линейной интерполяцией [12]; естественные соседи [12]; локальная полиноминальная интерполяция [16]. Геостатистические методы базируются на статистических закономерностях и используются для более точного и сложного моделирования поверхностей, включая их оценку ошибок и вычисление вероятностных параметров поверхностей, например метод «Кригинг» [14].
Для осуществления интерполяции вначале необходимо выбрать показатель, имеющий монотонный и непрерывный характер. При количественной оценке пожарной опасности на территории РФ используются два показателя, учитывающих ежедневное высыхание и увлажнение растительных горючих материалов [16]. Первый из них - лесопожарный показатель Ьг на текущий 1-ый день рассчитывается на основе дневной температуры воздуха (¿¿) и точки росы (тг), измеренных в 13-15 часов дня местного времени:
Вторым является комплексный показатель Рг, для расчета которого используется значение Ьг и сведения об объеме выпавших осадках (хг) с 9 часов утра предыдущего дня до 9 часов утра текущего дня. Для «сухих» дней (при х< 3 мм/сут.) Рг вычисляется путем
ц = а,-т,)
(1)
ежедневного суммирования Ьг данного и предшествующих дней, а при наступлении «мокрых» дней (при Хг > 3 мм/сут.) Р равен Ьг текущего дня:
| ), при х > 3мм/сут.
1 ) + Рг1, при х - 3 мм/сут. (2)
или в виде уравнения:
р = щ,г,)+ркх), (3)
где: коэффициент К(х) задается на основе предельного количества осадков, при котором устраняется возможность загорания напочвенного покрова; он может принимать два значения: при хг более 3 мм/сут. К(хг) равен 0; при хг менее 3 мм/сут. К(х) равен 1.
Для Дальнего Востока России при нулевых или небольших отрицательных значениях дневной температуры воздуха, которые могут наблюдаться в начале и в конце пожароопасного сезона, в расчетах функции Рг учитываются следующие рекомендации [4]:
р | 0, при ti < 5 °С и х1 > 3 мм/сут.
1 50 + Р_ _р при ^ < 5 °С и х1 — 3 мм/сут.
где: г, г-1 - текущий и предыдущие дни.
Для интерполирования можно выбрать только показатель Ьг, поскольку (функция №1) в отличие от показателя Рг (функции №2, №3) является монотонной и носит непрерывный характер без ограничений (рис. 1) [7].
3500
01.04.09 11.04.35 21.04.39 01.05.09 11.05.39 21.05.39 31.05.39
Дата пожароопасного сезона
Рис. 1. Распределение значений лесопожарного Ьг и комплексного Рг показателей в весенний
период 1989 г. по данным ГМС «Биробиджан»
Впервые восстановление показателей пожарной опасности описано Н.П. Курбатским [5]. Им предложено находить значения показателя Рг в каждом квартале участкового лесничества по распределению фактических метеоданных соседних метеостанций методом обратно - взвешенные расстояния, при этом весовые функции принимают значение аналитической функции комплексного аргумента (полином Лагранжа). Затем было показано, что весовая функция комплексного аргумента в виде полинома третьей степени достаточно достоверно отражает распределение метеоданных по сравнению с полиномом Лагранжа первой и второй степени [2].
Три интерполяционных метода (обратно-взвешенных расстояний, локальная полиномиальная интерполяция второй степени, полиномиальная регрессия) использованы для
Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, №5 (сентябрь - октябрь 2015)
http://naukovedenie.ru [email protected]
восстановления метеорологического индекса пожарной опасности Fire Weather Index (FWI) на примере территории Онтарио в Канаде [16]. Обработка осуществлялась по данным 26 ГМС, одна из которых взята в качестве контрольной (проверочной). Оценка качества восстановления производилась на основе среднеквадратического отклонения фактического значения индекса FWI для контрольной метеостанции. Показано, что эти методы удовлетворительно осуществляют восстановление FWI, при этом лучшим оказался метод полиномиальная регрессия.
С начала 90-х годов 20 века для восстановления показателей пожарной опасности начинают пользоваться информацией, поступающей от спутников серии NOAA [9, 11]. В любой точке снимка радиационная температура видимой поверхности и температура точки росы находились с помощью метода триангуляция Делоне с линейной интерполяцией, а суточный объем осадков восстанавливался методом «обратно-взвешенных расстояний» по фактическим данным смежных ГМС.
В Финляндии с 1996 года метеорологический индекс пожарной опасности FFFI (Finnish Forest Fire Index) рассчитывается в каждой ячейке размером 10*10 км по восстановленным метеорологическим данным (влажность воздуха, скорость ветра, солнечная радиация и суточный объем осадков) 26 ГМС с помощью интерполяционного метода Кригинг
[13].
В перечисленных выше примерах не обоснован выбор метода интерполяции, поэтому нами они были проверены для показателя Li на территории Хабаровского края и ЕАО; оценивание качества каждого метода проводилось по контрольной точке (m) по двум параметрам:
• среднеквадратическая ошибка интерполяции RMSEm (Root Mean Square Error):
RMSE =
1 N
N I Ь - ^)!
где N - количество ежедневных расчетов; Li и Lin- значения фактического и интерполяционного значения показателя в i-ый день [3, 16];
• коэффициент Нэша-Сатклиффа или эффективность метода Em [17]:
N
Z fc - Ln )2
i=1
m N
Е = 1 -
IL - L }
i =1
где: ц - среднее значение показателя.
При выборе метода интерполяции учитывались следующие требования: среднеквадратическая ошибка метода КМ8Еш должна иметь наименьшее значение; коэффициент эффективности метода Ет должен быть больше 0,5 (1 - метод является идеальным; > 0,75 - хорошим; > 0,5 - удовлетворительным; < 0,5 - неудовлетворительным).
Для выполнения поставленных задач разработан и реализован алгоритм интерполяции показателя Ь\ и проверки метода в контрольной точке (рис. 2). Вначале задаются координаты контрольной точки, номер метода интерполяции, год пожароопасного сезона. Контрольная точка представлена отдельной ГМС и при интерполяции она не используется, в то время как остальные ГМС применяются в качестве узлов интерполяции на каждый день пожароопасного сезона. Значения показателя Ь\ рассчитываются в информационной системе
оценки и прогноза показателей пожарной опасности [1] и экспортируются в текстовый файл с расширением «csv».
Рис. 2. Блок схема проверки метода интерполяции показателя пожарной опасности в
контрольной точке
Авторский скрипт загружает текстовый файл и передает их виртуальному объекту картографического приложения по технологии Microsoft ActiveX (пример приведен на листинге 1).
Sub Main 'Начало скрипта
Dim SurferApp As Object ' задать переменную виртуального приложения
Set SurferApp = CreateObject("Surfer.AppHcation") 'создать виртуальный объект
For YearO = 1960 To 1991 'цикл обработки пожароопасных сезонов с 1960 по 1991
г.г.
For DayO = 1 To 214 'цикл обработки дней выделенного пожароопасного сезона (в сезоне 214 дней)
Data =YearO+"\"+DayO+".csv" 'Формирование пути к файлу данных для загрузки значений узлов интерполяции
'обратно-взвешенные расстояния
SurferApp.GridData(DataFile:=Data, xcol:=1, ycol:=2, zcol:=3, ShowReport:=False, Algorithm:=1, OutGrid:=Data+"_InverseDistance.grd") 'Восстановление значений ЛПЗ в ячейка регулярной сети (грид)
GridFile = Data+"_InverseDistance.grd" 'переменная для хранения имени файла
грида
OutFile = Data+"_InverseDistance.csv" 'переменная для хранения имени файла данных
SurferApp.GridConvert(InGrid:=GridFile, OutGrid:=OutFile,
OutFmt:=srfGridFmtXYZ)'конвертация файла грида в файл данных
Next 'следующий день
Next 'следующий пожароопасный сезон
End Sub 'Окончание скрипта
Листинг 1. Программный код авторского скрипта картографического пакета Surfer 10 для интерполяции методом обратно-взвешенные расстояния
В картографическом приложении при выполнении метода интерполяции создается грид файл *.grd, который конвертируется в файл данных *.csv, содержащий координаты центров ячеек грида и восстановленные значения лесопожарного показателя Li.
Следующие шаги алгоритма выполняются в модуле «Проверка метода интерполяции»: выбирается контрольная ГМС, по ее данным производиться расчет фактических значений показателя Li и сравнение с восстановленными значениями, которые находятся в центре ячейки грида. Затем производится расчет среднеквадратической ошибки RMSEm и коэффициента эффективности Em в контрольной точке за каждый день пожароопасного сезона и сохранение результатов в таблице «Интерполяция» в базе метеорологических данных, состоящей из 6 числовых атрибутов: код расчета, код метеостанции, год, метод интерполяции, среднеквадратическая ошибка, коэффициент эффективности.
Определение среднемноголетнего значения среднеквадратической ошибки RMSEm, коэффициента эффективности Em и количества пожароопасных сезонов с удовлетворительным коэффициентом эффективности Em. производится агрегирующими SQL-запросам из таблицы «Интерполяция».
В качестве инструмента интерполяции использован картографический пакет Surfer 10, в котором реализованы перечисленные выше детерминистические и геостатистические методы. Восстановление показателей пожарной опасности осуществлялось в ячейках
прямоугольной регулярной сети, наложенной на территорию Хабаровского края и ЕАО размером 0,56°х0,56° в проекции Пулково 1942. Все узлы интерполяции представлены 22 ГМС, из них равнинных - 16 и горных - 6 (высота над уровнем моря свыше 200 м). По двум метеостанциям «Арка» и «Нелькан» (северная часть Хабаровского края) восстановленные значения не проверялись на достоверность, ввиду их большой удаленности от оставшихся узлов интерполирования (около 340 км), и климатические условия на этих ГМС значительно отличаются от всех остальных.
В каждой точке оценка методов осуществлялась ежедневно с 1960 по 1991 гг., для этого был построен ансамбль из 554658 электронных карт. На рис. 3. представлен пример восстановления значений показателя Е для контрольной точки «Биробиджан» 10 мая 1989 г.
Базисные радиальные функции Триангуляция с линейной интерполяцией Локальная полиномиальная интерлоляция
Рис. 3. Электронные карты восстановления лесопожарного показателя в контрольной точке
«Биробиджан»,10.05.1989 г. Примечание: • ГМС; ---административные границы; — изолинии
Проверка методов интерполирования показала, что разброс значений параметра ЕМ8Е фактического и восстановленного комплексного показателя варьируется в пределах от 699 до 2635 ед., а коэффициент эффективности от -3,64 до 0,96 (табл. 1). Определение наилучшего интерполяционного метода осуществлялось подсчетом случаев, когда коэффициент эффективности превышал 0,36.
Таблица 1
Среднеквадратическая ошибка и коэффициент эффективности интерполяции значений комплексного показателя с 1960 по 1991 гг. в контрольных точках
№ Контрольные точки (ГМС) Метод интерполяции
Обратно- взвешенных расстояний Кригинг Минимизация кривизны Метод Шепарда Метод естественных соседей Полиномиальная регрессия Базисные радиальные функции Триангуляция с линейной интерполяцией Локальная полиномиальная интерполяция
Среднеквадратическая ошибка Коэффициент эффективности
Южная часть
1 Биробиджан 883 0,46 958 0,35 1697 1,31 1577 0,98 0 0 895 0,42 902 0,44 0 0 886 0,46
2 Победа 724 0,39 779 0,25 869 0,01 975 0,27 782 0,23 758 0,35 745 0,34 803 0,18 719 0,4
3 Кукан 848 0,46 858 0,44 860 0,45 900 0,39 846 0,47 899 0,39 841 0,47 843 0,47 839 047
4 Хабаровск 723 0,51 760 0,46 957 0,1 804 0,39 748 0,47 746 0,47 730 0,5 748 0,47 713 0,52
5 Сутур 763 0,32 782 0,25 1101 0,48 904 0 0 0 826 0,21 779 0,26 0 0 787 0,25
6 Хорское 873 0,06 866 0,08 1006 0,27 903 0,01 О | о| 828 0,16 819 0,19 о | о! 830 0,16
7 Чегдомын 756 0 802 0,13 1287 1,95 1587 3,57 794 -0,08 791 -0,12 782 -0,08 796 -0,09 788 -0,08
8 Троицкое 669 0,45 721 0,33 851 0,02 1621 -2,7 714 0,36 688 0,41 705 0,37 791 0,2 699 0,45
Центральная часть
1 Совгавань 914 -0,26 1014 0,62 1448 -2,4 1568 2,97 0 0 1001 -0,48 967 -0,46 о | с^ 1197 -1,33
2 Дуки 1077 0,29 1130 0,18 1257 0,06 1437 0,43 1111 0,22 1115 0,26 1107 0,23 1164 0,12 1076 0,3
3 Полина Осипенко 1004 0,36 1066 0,25 1168 0,08 1274 0,14 1066 0,25 1071 0,3 1027 0,32 1097 0,2 982 0,41
4 НижнеТамбовское 917 0,28 995 0,1 1196 0,36 1478 1,12 1008 0,09 890 0,3 950 0,19 1108 -0,13 891 0,31
№ Контрольные точки (ГМС) Метод интерполяции
Обратно- взвешенных пясстпяний Кригинг Минимизация кривизны Метод Шепарда Метод естественных соседей Полиномиальная регрессия Базисные радиальные функции Триангуляция с линейной интерполяцией Локальная полиномиальная интерполяция
Среднеквадратическая ошибка Коэффициент эффективности
5 Тумнин 950 0,41 976 0,38 971 0,38 1058 0,26 971 0,38 980 0,36 963 0,39 969 0,38 973 0,38
6 Комсомольск-на-Амуре 1063 -0,04 1064 0,04 1232 0,45 1290 -0,6 1030 0,03 903 0,24 926 0,23 1051 -0,02 868 0,32
7 Амурская 1303 0,04 1301 0,06 1337 0,01 1301 0,06 1242 0,2 1249 0,17 1249 0,18 1240 0,22 1224 0,23
Северная часть
1 Богородское 807 0,4 825 0,36 874 0,28 894 0,22 814 0,39 926 0,25 810 0,39 814 0,39 812 0,39
2 Херпучи 1396 0,36 1367 0,38 1500 0,2 2635 2,45 1387 0,36 1446 0,31 1359 0,38 1434 0,29 1368 0,38
3 Чумикан 802 -0,76 947 1,51 1049 2,07 1154 2,55 932 -1,44 972 -1,71 947 -1,52 943 -1,45 915 -1,35
4 Николаевск-на-Амуре 778 0,38 863 0,21 1070 -0,2 1998 3,64 848 0,25 935 0 843 0,24 837 0,27 1026 -0,06
5 Мареинское 825 0,41 875 0,31 1010 0,07 1087 0,08 875 0,33 919 0,33 840 0,37 880 0,32 829 0,4
6 Удское 827 0,41 870 0,35 1088 0,01 1792 1,88 0 0 984 0,06 843 0,38 0 0 891 0,32
Определение оптимального интерполяционного метода осуществлялось подсчетом случаев, когда коэффициент эффективности больше 0,5 и эффективность являлась удовлетворительной и хорошей (табл. 2).
Таблица 2
Общее количество пожароопасных сезонов с удовлетворительным коэффициентом эффективности интерполяции значений показателя Ьь с 1960 по 1991 гг.
в контрольных точках
№ Контрольн ые точки (ГМС) Метод интерполяции
Обратно взвешенных расстояний Кригинг Минимизация кривизны Метод Шепарда Метод естественных соседей Полиномиальна я регрессия Базисные радиальные функции Триангуляция с линейной интерполяцией Локальная полиномиальна я интерполяция
Коэф( шциент эффективности (удовл./хороший)
Южная часть территории
1 Биробиджан 21/4 2/2 0/0 3/0 0/0 27/1 23/3 0/0 25/3
2 Победа 15/16 11/18 20/7 20/7 12/17 25/6 11/19 14/15 17/14
3 Кукан 14/14 9/19 10/1 8 14/1 3 10/18 23/3 9/19 10/18 13/16
4 Хабаровск 10/21 16/15 20/0 16/1 4 15/16 29/1 12/19 15/16 11/20
5 Сутур 12/20 11/21 17/0 18/8 0/0 26/5 10/22 0/0 12/20
6 Хорское 28/0 28/0 21/0 27/0 0/0 18/0 29/0 0/0 29/0
7 Чегдомын 28/2 27/3 1/0 0/0 30/1 29/0 30/1 29/1 30/0
8 Троицкое 24/3 23/4 24/0 12/0 18/10 25/11 20/7 20/8 19/9
Итого (из 256 сезонов),% 152/8 0 90 127/8 2 82 93/2 5 46 110/ 42 60 95/62 61 202/27 90 144/90 91 88/58 57 156/82 93
Центральная часть территории
9 Совгавань 7/0 5/0 0/0 0/0 0/0 4/0 5/0 0/0 0/0
10 Дуки 30/0 29/0 26/0 24/0 28/1 25/0 29/0 27/2 29/0
11 Полина Осипенко 19/10 21/8 25/2 21/0 21/8 29/0 15/14 24/5 17/13
12 НижнеТамбовское 10/21 13/18 22/6 21/0 11/20 25/6 11/20 25/6 14/17
13 Тумнин 20/0 17/0 17/0 16/0 17/0 24/0 20/0 17/0 15/0
14 Комсомольс к-на-Амуре 26/1 26/0 26/0 25/0 26/0 28/0 26/0 26/0 27/0
Итого (из 192 сезонов),% 112/3 2 75 111/2 6 71 91/8 52 107/ 0 56 103/2 8 68 135/6 73 106/34 73 119/13 69 102/30 69
Северная часть террито рии
15 Богородское 14/14 14/14 20/7 17/1 1 23/4 18/0 11/16 22/5 16/11
16 Херпучи 25/2 21/6 15/1 0/0 22/3 24/0 20/7 20/4 20/5
17 Чумикан 3/0 3/0 3/0 1/0 3/0 0/0 3/0 2/0 3/0
18 Николаевск-на-Амуре 16/3 14/3 6/0 0/0 16/1 11/0 16/3 20/1 13/0
19 Мареинское 4/28 11/20 28/1 26/0 9/22 28/2 7/25 9/22 9/23
20 Удское 26/3 21/3 6/0 0/0 0/0 16/0 25/3 0/0 21/2
№ Контрольн ые точки (ГМС) Метод интерполяции
Обратно взвешенных расстояний Кригинг Минимизация кривизны Метод Шепарда Метод естественных соседей Полиномиальна я регрессия Базисные радиальные функции Триангуляция с линейной интерполяцией Локальная полиномиальна я интерполяция
Итого (Из 192 сезонов),% 88/50 72 82/46 67 76/8 44 42/1 1 28 70/30 46 98/2 52 75/54 67 71/32 54 79/41 57
Для территории южной части Хабаровского края и ЕАО оптимальным оказались несколько методов (обратно-взвешенных расстояний, полиномиальная регрессия, локальная полиномиальная интерполяция), поскольку в 90-93% сезонов из 256 коэффициенты эффективности превышали 0,5. В других частях Дальнего Востока эти же методы являются лучшими, но количество сезонов с удовлетворительным и хорошим коэффициентом эффективности не превышало 75%, что в большинстве случаев это связано с пропусками метеоданных в контрольных точках и проблемой восстановления значений в крайних контрольных точках (№9, 17, 18 табл. 2).
Таким образом, для расчета лесопожарного показателя засухи был выбран метод «обратно-взвешенных расстояний», который является приемлемым для всего исследуемого региона. Далее расчет показателя Р осуществляется на основе интерполированного значения показателя Е и суточного объема осадков х, проявляющие, в основном, дискретный фронтальный характер. Распределение осадков на территории может быть определено по зонам влияния ГМС, которые представлены окружностями с радиусом 30 км [13, 18], либо по зонам ответственности - полигонам сети Тиссена [8].
Восстановление лесопожарного показателя методом «обратно-взвешенных расстояний» совместно с нахождением распределения суточного объема осадков по полигонам Тиссена позволит получить хорошие результаты прогноза появления пожаров растительности на территории Дальнего Востока России.
ЛИТЕРАТУРА
1. Глаголев В.А., Коган Р.М. Информационная система оценки и прогноза пожарной опасности по условиям погоды (на примере Среднего Приамурья) // Вестник ТПУ. 2009. Т. 314. №5. С. 180-184.
2. Егармин П.А. Система детальной оценки пожарной опасности лесной территории: автореферат дис. ... канд. техн. наук: 05.13.01. Красноярск, 2005. 21 с.
3. Ковин Р.В. Алгоритмическое и программное обеспечение геоинформационной системы для анализа двумерных геополей: автореферат дис. . канд. техн. наук: 05.13.11. Томск, 2004. 19 с.
4. Костырина Т.В. Прогнозирование пожарной опасности в лесах юга Хабаровского края: автореф. дис. на соиск. учен. степ. канд. с.-х. наук. Красноярск, 1978. 23 с.
5. Курбатский Н.П., Дорогов Б.И., Доррер Г.А. Прогнозирование лесных пожаров с помощью ЭВМ // Лесное хозяйство. 1976. №7. С. 51-55.
6. Нестеров В.Г., Гриценко М.В., Шабунина Т.А. Использование температуры точки росы при расчете показателя горимости леса // Метеорология и гидрология. 1968. №9. С. 102-105.
7. Пискунов Н.С.: Дифференциальное и интегральное исчисление. Учеб.: В 2-х Т.1 - СПб.: Мифрил. Гл. ред. физ.-мат. лит., 1996. 416 с.
8. Подольская А.С., Ершов Д.В., Шуляк П.П. Применение метода оценки вероятности возникновения лесных пожаров в ИСДМ - Рослесхоз // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т.8. №1. С. 118-126.
9. Пономарев Е.И., Сухинин А.И. Методика картирования и среднесрочного прогнозирования пожарной опасности лесов по условиям погоды // География и природные ресурсы. 2002. №.4. С. 112-117.
10. Софронов М.А., Волокитина А.В. Пирологическое районирование в таежной зоне. Новосибирск: Наука, 1990. 204 с.
11. Сухинин А.И. Космические методы в мониторинге лесных пожаров и их последствий // Сибирский экологический журнал. 1996. №1. С. 85-92.
12. Чернова Л.И. Обработка геопространственной информации при цифровом моделировании топографических задач: дис. на соиск. учен. степ. канд. тех.: 05.13.18 Иркутск, 2006. 123 c.
13. Bailey T.C., Gatrell A.C. Interactive spatial data analysis. Essex : Longman Scientific & Technical, 1995. 413 с.
14. Davis J.C., Sampson R.J. Statistics and data analysis in geology. New York: Wiley, 1986. 646 с.
15. Duchon J. Splines minimizing rotation-invariant semi-norms in Sobolev spaces // Constructive theory of functions of several variables. Springer Berlin Heidelberg, 1977. С. 85-100.
16. Flannigan M.D., Wotton B.M. A study of interpolation methods for forest fire danger rating in Canada // anadian Journal of Forest Research. 1989. Т. 19. №8. С. 10591066.
17. Nash J.E., Sutcliffe J.V. River flow forecasting through conceptual models part I - A discussion of principles //Journal of hydrology. 1970. Т. 10. №3. С. 282-290.
18. Renka R.J. Multivariate interpolation of large sets of scattered data //ACM Transactions on Mathematical Software (TOMS). 1988. Т. 14. №2. С. 139-148.
19. Hardy R.L. The multiquadric-biharmonic method as used for mineral resources, meteorological, and other applications // Journal of Applied Science & Computations. 1995. Т.1. №3. С. 437-475.
20. Smith W.H.F., Wessel P. Gridding with continuous curvature splines in tension // Geophysics. 1990. Т. 55. №3. С. 293-305.
Рецензент: Рыбанов Александр Александрович, кандидат технических наук, доцент, зав. кафедрой «Информатика и технология программирования», «Волгоградский государственный технический университет», «Волжский политехнический институт» (филиал).
Glagolev Vladimir Aleksandrovich
Sholom-Aleichem Priamursky State University
Russia, Birobidzhan E-mail: [email protected]
The recovery of fire hazard vegetation on weather conditions
Abstract. In this paper highlighted recovery techniques (interpolation) indicators of fire danger based on weather conditions and carried out testing on-site with regular weather observations. The restoration of the fire danger was carried out in the cells of a rectangular regular grid superimposed on the territory of the Khabarovsky Krai and the Jewish Autonomous region of size 0,56°x0,56° in the projection Pulkovo 1942. All nodes of interpolation is represented by 22 hydro meteorological stations of them flat - 16 and mountain - 6 (altitude above 200 m).
Created software tools in a programming environment mapping software Surfer 10 and RAD Studio Delphi 2010 helped to build the spatial distribution of fire danger and to conduct their cross-validation on two statistical criteria: root mean square prediction error and coefficient of Nash-Sutcliffe. For northern, central and southern parts of the study area: proposed 9 deterministic and geostatistical interpolation methods forest fire indicator of drought gridded data; tested interpolation methods for all hydro meteorological stations (control points) on the base between 1960 and 1991; the optimal allocated three methods of recovery (back-distance weighted, polynomial regression, local polynomial interpolation).
Keywords: vegetation; fire danger; weather conditions; restoration; interpolation; forest fire indicator of drought; database; information system.
REFERENCES
1. Glagolev V.A., Kogan R.M. Informatsionnaya sistema otsenki i prognoza pozharnoy opasnosti po usloviyam pogody (na primere Srednego Priamur'ya) // Vestnik TPU. 2009. T. 314. №5. S. 180-184.
2. Egarmin P.A. Sistema detal'noy otsenki pozharnoy opasnosti lesnoy territorii: avtoreferat dis. ... kand. tekhn. nauk: 05.13.01. Krasnoyarsk, 2005. 21 s.
3. Kovin R.V. Algoritmicheskoe i programmnoe obespechenie geoinformatsionnoy sistemy dlya analiza dvumernykh geopoley: avtoreferat dis. ... kand. tekhn. nauk: 05.13.11. Tomsk, 2004. 19 s.
4. Kostyrina T.V. Prognozirovanie pozharnoy opasnosti v lesakh yuga Khabarovskogo kraya: avtoref. dis. na soisk. uchen. step. kand. s.-kh. nauk. Krasnoyarsk, 1978. 23 s.
5. Kurbatskiy N.P., Dorogov B.I., Dorrer G.A. Prognozirovanie lesnykh pozharov s pomoshch'yu EVM // Lesnoe khozyaystvo. 1976. №7. S. 51-55.
6. Nesterov V.G., Gritsenko M.V., Shabunina T.A. Ispol'zovanie temperatury tochki rosy pri raschete pokazatelya gorimosti lesa // Meteorologiya i gidrologiya. 1968. №9. S. 102-105.
7. Piskunov N.S.: Differentsial'noe i integral'noe ischislenie. Ucheb.: V 2-kh T.1 - SPb.: Mifril. Gl. red. fiz.-mat. lit., 1996. 416 s.
8. Podol'skaya A.S., Ershov D.V., Shulyak P.P. Primenenie metoda otsenki veroyatnosti vozniknoveniya lesnykh pozharov v ISDM - Rosleskhoz // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2011. T.8. №1. S. 118-126.
9. Ponomarev E.I., Sukhinin A.I. Metodika kartirovaniya i srednesrochnogo prognozirovaniya pozharnoy opasnosti lesov po usloviyam pogody // Geografiya i prirodnye resursy. 2002. №.4. S. 112-117.
10. Sofronov M.A., Volokitina A.V. Pirologicheskoe rayonirovanie v taezhnoy zone. Novosibirsk: Nauka, 1990. 204 s.
11. Sukhinin A.I. Kosmicheskie metody v monitoringe lesnykh pozharov i ikh posledstviy // Sibirskiy ekologicheskiy zhurnal. 1996. №1. S. 85-92.
12. Chernova L.I. Obrabotka geoprostranstvennoy informatsii pri tsifrovom modelirovanii topograficheskikh zadach: dis. na soisk. uchen. step. kand. tekh.: 05.13.18 Irkutsk, 2006. 123 c.
13. Bailey T.C., Gatrell A.C. Interactive spatial data analysis. Essex : Longman Scientific & Technical, 1995. 413 s.
14. Davis J.C., Sampson R.J. Statistics and data analysis in geology. New York: Wiley, 1986. 646 s.
15. Duchon J. Splines minimizing rotation-invariant semi-norms in Sobolev spaces // Constructive theory of functions of several variables. Springer Berlin Heidelberg, 1977. S. 85-100.
16. Flannigan M.D., Wotton B.M. A study of interpolation methods for forest fire danger rating in Canada // anadian Journal of Forest Research. 1989. T. 19. №8. S. 10591066.
17. Nash J.E., Sutcliffe J.V. River flow forecasting through conceptual models part I - A discussion of principles //Journal of hydrology. 1970. T. 10. №3. S. 282-290.
18. Renka R.J. Multivariate interpolation of large sets of scattered data //ACM Transactions on Mathematical Software (TOMS). 1988. T. 14. №2. S. 139-148.
19. Hardy R.L. The multiquadric-biharmonic method as used for mineral resources, meteorological, and other applications // Journal of Applied Science & Computations. 1995. T.1. №3. S. 437-475.
20. Smith W.H.F., Wessel P. Gridding with continuous curvature splines in tension // Geophysics. 1990. T. 55. №3. S. 293-305.
