SYSTEMS ANALYSIS OF FACTORS CAUSING FOREST FIRES IN NORTHWESTERN FEDERAL DISTRICT
Journal: VESTNIK OF ASTRAKHAN STATE TECHNICAL UNIVERSITY. SERIES: MANAGEMENT, COMPUTER SCIENCE AND INFORMATICS
№ 4
, 2022
Rubrics: CONTROL, MODELING, AUTOMATION
Authors:
1.
Saint-Petersburg State Forest Technical University; Saint-Petersburg University of Management Technologies and Economics
(Candidate of Sciences in Technology; Assistant Professor of the Department of Information Systems and Technologies; Assistant Professor of the Department of Information Technologies and Mathematics)
Russian Federation
Russian Federation
Type:
Article
Pages:
from 26
to 34
Status:
Published
Received:
05.09.2022
Accepted:
30.09.2022
Published:
25.10.2022
Subject area:
UDK 303.732 Системный уровень. Системный анализ
Language:
Russian
Keywords:
forest fires, classification of fire generating factors, fire hazard assessment, importance factor, matrix of expert assessments, integral assessment
Abstract (English):
A systematic analysis of the factors causing forest fires (anthropogenic and weather conditions, types of forests) has been carried out. Multi-level classifications are defined for each set of factors with the inclusion of terms that allow the decision makers to work with their natural language. An integral forest fire risk assessment is proposed, which is described by a fuzzy model containing a term-set. The structure of the system of criteria by which it is possible to determine the risk of fire has been developed. The proposed integral assessment can serve as an addition to the existing classical scale for assessing fire hazard in forests. It includes the parameters characterizing weather conditions and is used in a large number of countries by supervisory authorities. To differentiate the assessment of fire safety in Russia, the parameters of forestry enterprises in the study area are also taken into account. Based on the proposed matrix structures, a primary database has been developed, which in the future will be filled automatically from open sources of state information systems. The data in the systems are generated at different intervals, most of them daily, which allows for high-quality monitoring and control over the changes in the current situation in the appointed region. Based on the fire hazard scale, it will be possible to obtain an optimal assessment by analyzing a larger number of factors than in the classical assessment. For the subsequent implementation of the decision support method, matrices have been developed using the open data from state information systems. Applying the developed and completed matrices as a single data set is possible with the help of a decision support module, which is planned to be further implemented using the Python language.
A systematic analysis of the factors causing forest fires (anthropogenic and weather conditions, types of forests) has been carried out. Multi-level classifications are defined for each set of factors with the inclusion of terms that allow the decision makers to work with their natural language. An integral forest fire risk assessment is proposed, which is described by a fuzzy model containing a term-set. The structure of the system of criteria by which it is possible to determine the risk of fire has been developed. The proposed integral assessment can serve as an addition to the existing classical scale for assessing fire hazard in forests. It includes the parameters characterizing weather conditions and is used in a large number of countries by supervisory authorities. To differentiate the assessment of fire safety in Russia, the parameters of forestry enterprises in the study area are also taken into account. Based on the proposed matrix structures, a primary database has been developed, which in the future will be filled automatically from open sources of state information systems. The data in the systems are generated at different intervals, most of them daily, which allows for high-quality monitoring and control over the changes in the current situation in the appointed region. Based on the fire hazard scale, it will be possible to obtain an optimal assessment by analyzing a larger number of factors than in the classical assessment. For the subsequent implementation of the decision support method, matrices have been developed using the open data from state information systems. Applying the developed and completed matrices as a single data set is possible with the help of a decision support module, which is planned to be further implemented using the Python language.
Keywords:
forest fires, classification of fire generating factors, fire hazard assessment, importance factor, matrix of expert assessments, integral assessment
forest fires, classification of fire generating factors, fire hazard assessment, importance factor, matrix of expert assessments, integral assessment
Введение
Лесные пожары представляют собой большую проблему для различных территорий России. Они не только наносят урон экономике и экологии, но часто ставят под угрозу человеческие жизни. Для Российской Федерации, в которой леса занимают значительную территорию, снижение площадей лесных пожаров является одной из ключевых задач.
Общая площадь земель лесного фонда, по данным ФГБУ «Рослесинфорг», на 2021 г. составляет
1 млрд 187,6 млн га (включая леса на особо охраняемых природных территориях и в населенных пунктах). С 2019 г. в рамках федерального проекта «Сохранение лесов» ежегодно высаживается порядка
1 млн га саженцев деревьев. При этом в России в год регистрируется от 9 до 35 тыс. лесных пожаров, охватывающих площади от 500 тыс. до нескольких миллионов гектаров. Согласно данным МЧС России и Федерального агентства лесного хозяйства (Рослесхоз), с начала 1992 г. по конец 2018 г. в России было зарегистрировано более 630 тыс. лесных (затронувших земли лесного фонда) пожаров [1].
Наибольшая площадь пожаров в современной истории России наблюдалась в 2021 г. Согласно статистике МЧС, она составила более 18 млн га. Всего в стране за год было зарегистрировано 3 210 природных пожаров, дым от горящих лесов впервые за историю спутниковых наблюдений достиг Северного полюса [2].
Решение проблем, связанных с возникновением лесных пожаров, – актуальная задача для России, которая требует комплексного подхода в решении. Немаловажную роль играет прогнозирование возникновения пожаров в зависимости от факторов, сложившихся на природной территории. Современные информационные технологии позволяют не только решать вопросы прогнозирования с высокой точностью, но и оказывать интеллектуальную поддержку принятия управленческих решений при реализации мер предупреждения возникновения очагов возгорания.
Системный анализ факторов
Для решения задачи прогнозирования возникновения лесных пожаров и выбора методов поддержки принятия решений при возникновении очагов возгорания необходимо определить факторы, влияющие на появление термических аномалий,
и сформировать систему критериев, которая позволит решить многокритериальную задачу прогнозирования.
На возникновение лесных пожаров влияет множество факторов: антропогенные, погодные условия, типы лесов. Характеристики пожаров и их последствия в различных регионах имеют свои особенности, поэтому в каждом регионе необходимы исследования по оценке пожаров с учетом местных лесорастительных условий [3]. Увеличение количества возгораний в лесах связано как
с объективными процессами, такими как увеличение уровня хозяйственного освоения территорий, так и с организационными недостатками в деятельности лесной охраны [4].
Антропогенные факторы, определенные множеством A, делятся на две категории: социальные, определенные множеством AI (уровень урбанизации, численность населения, самосознание населения), и техногенные, определенные множеством AII (состояние систем тепло- и энергоснабжения, бе-
зопасность технологических объектов и оборудования, использование пожароопасных материалов, концентрация промышленных объектов на территории, доступность потенциальных очагов возгорания). При разработке градаций необходимо учитывать, что лицо, принимающее решение (ЛПР),
не является ИТ-специалистом и не знает внутренней структуры системы критериев с коэффициентами важности каждого из них, а также весовых критериев. Исходя из этого градации должны включать в себя термы на естественном для ЛПР языке.
Погодные факторы, определенные множеством T, включают в себя температурные режимы, скорость ветра и осадки.
Для учета влияния антропогенных, погодных факторов предлагается трехуровневая классификация, содержащая следующие градации: {низкая, средняя, высокая}; {отсутствие, мало, обильно}. Погодные факторы представлены в табл. 1.
Таблица 1
Table 1
Погодные факторы
Weather factors
Обозначение Фактор Терм
T1 Дневная температура начала периода {низкая, средняя, высокая}
T2 Дневная температура конца периода
T3 Ночная температура начала периода
T4 Ночная температура конца периода
T5 Скорость ветра
T6 Осадки {отсутствие, мало, средне, обильно}
Антропогенные факторы представлены в табл. 2.
Таблица 2
Table 2
Антропогенные факторы
Anthropogenic factors
Обозначение Фактор Терм
Уровень урбанизации {низкая, средняя, высокая}
Численность населения {низкая, средняя, высокая}
Самосознание населения {низкая, средняя, высокая}
Состояние систем тепло- и энергоснабжения {плохое, хорошее, удовлетворительное}
Безопасность технологических объектов и оборудования {низкая, средняя, высокая}
Использование пожароопасных материалов {низкая, средняя, высокая}
Концентрация промышленных объектов на территории {низкая, средняя, высокая}
Доступность потенциальных очагов возгорания {низкая, средняя, высокая}
Необходимо учитывать классификацию при-родных факторов опасности возникновения пожаров. Эта классификация включает в себя класс природной пожарной опасности лесов, объект загорания (характерные типы леса, вырубок, лесных насаждений и безлесных пространств). Типы природных факторов представлены в табл. 3.
Таблица 3
Table 3
Природные факторы
Natural factors
Обозначение Фактор (тип объекта загорания) Терм
L1 Ельники, березняки и осинники долгомошники, ельники сфагновые и приручейные. Ольшаники всех типов. {отсутствует}
L2 Места сплошных рубок таволговых и долгомошниковых типов (особенно захламленные).
Сосняки, лиственничники и лесные насаждения лиственных древесных пород в условиях травяных типов леса.
Сосняки и ельники сложные, липняковые, лещиновые, дубняковые, ельники-черничники, сосняки сфагновые и долгомошники, кедровники прирученные и сфагновые, березняки-брусничники, кисличники, черничники и сфагновые, осинники-кисличники и черничники, мари. {cлабая}
L3 Сосняки-кисличники и черничники, лиственничники-брусничники, кедровники всех типов, кроме прирученных и сфагновых, ельники-брусничники
и кисличники. {средняя}
Окончание табл. 3
Ending of Table 3
Обозначение Фактор (тип объекта загорания) Терм
L4 Сосняки-брусничники, особенно с наличием соснового подроста или под-леска из можжевельника выше средней густоты. Лиственничники кедрово-стланниковые. {высокая}
L5 Хвойные молодняки.
Места сплошных рубок: лишайниковые, вересковые, вейниковые и другие типы вырубок по суходолам (особенно захламленные). Сосняки лишайниковые и вересковые. Расстроенные, отмирающие и сильно поврежденные древостой (сухостой, участки бурелома и ветровала, недорубы), места сплошных рубок с оставлением отдельных деревьев, выборочных рубок высокой
и очень высокой интенсивности, захламленные гари. {очень высокая}
Природный фактор, заданный множеством L, определяется пятиуровневой классификацией, имеющей следующие градации: {отсутствует, слабая, средняя, высокая, очень высокая}.
Немаловажными факторами, влияющими на опасность возникновения лесных пожаров, являются типы земной поверхности. Они включают в себя фазы вегетации растительности и опад. Данные факторы, определенные множеством U, имеющим градации {отсутствует, слабая, средняя, высокая, очень высокая}, представлены в табл. 4 [5].
Таблица 4
Table 4
Факторы земной поверхности
Soil factors
Фактор Обозначение Терм Класс возгораемости
Почва без растительности и опада U1 {отсутствует} 0
Растительность в начальных фазах вегетации (отрастание – цветение), без опада U2 {слабая} 1
Растительность в начальных фазах вегетации (отрастание – цветение), опад до 1 см 2
Растительность в заключительных фазах
вегетации (цветение – отмирание), без опада 2
Растительность в начальных фазах вегетации (отрастание – цветение), опад до 2 см U3 {средняя} 3
Растительность в заключительных фазах
вегетации (цветение – отмирание), опад до 1 см 3
Растительность в начальных фазах вегетации (отрастание – цветение), опад до 3 см 4
Почва без растительности, опад 1 см 4
Растительность в начальных фазах вегетации (отрастание – цветение), опад более 3 см U4 {высокая} 5
Растительность в заключительных фазах
вегетации (цветение – отмирание), опад 2 см 5
Растительность в заключительных фазах
вегетации (цветение – отмирание), опад 3 см 6
Почва без растительности, опад 2 см 6
Почва без растительности, опад 3 см U5 {очень высокая} 8
Почва без растительности, опад более 3 см 10
Таким образом, интегральную оценку риска возникновения лесного пожара можно описать нечеткой моделью, содержащей терм-множество:
Лингвистическая переменная «пожарная опасность» содержит следующие градации:
{I класс, II класс, III класс, IV класс, V класс}.
Структуру системы критериев, по которым можно определить риск возникновения пожара, можно представить как P = {E, C}. Структура со-держит три уровня, где – множество уровней – множество вершин i-го уровня, j – порядковый номер вершины на i-м уровне, – количество вершин на n-м уровне, – количество вершин всей системы. Структура системы критериев с термами, соответствующими каждому фактору (критерию), представлена на рис.
Структура системы критериев
Structure of the system of criteria
Предложенная система критериев в дальнейшем при необходимости может быть дополнительно декомпозирована в зависимости от той территории, где будет применяться интегральная оценка риска возникновения пожара. Прежде всего, здесь необходимо отметить важность урбанизации территории, нахождения вблизи лесных массивов населенных пунктов и особенно промышленных объектов, которые серьезно повышают влияние антропогенных факторов на возникновение термических аномалий.
Чтобы реализовать оценку необходимо определить значимость каждого критерия в структуре. Для этого должны быть привлечены эксперты, каждый из которых указывает весовой коэффициент abm, где b – количество экспертов,
m – количество критериев. Матрица экспертных оценок представлена в табл. 5.
Таблица 5
Table 5
Оценка значимости критериев
Assessment of the significance of criteria
Оценка на естественном для эксперта языке
…
…
T1 … T6 L1 … L5 U1 … U5
Эксперт 1 a11 … a13 a14 … a18 … … … … … … … … a1m
Эксперт 2 … … … … … … … … … … … … … … …
Эксперт 3 … … … … … … … … … … … … … … …
… … … … … … … … … … … … … … … …
Эксперт b ab1 … ab3 ab4 … ab8 … … … … … … … … abm
В дальнейшем исследовании предполагается создание экспертных групп для определения коэффициентов важности каждого из рассмотренных факторов в структуре критериев, а также определение весовых коэффициентов. Формирование экспертной группы предполагается на базе Санкт-Петербургского государственного лесотехнического университета им. С. М. Кирова, профессорско-преподавательский состав которого является компетентным в вопросах управления лесохозяйственным комплексом. Также в экспертную группу планируется включить практиков среди компаний-партнеров университета.
Предложенная интегральная оценка может служить дополнением к существующей классической шкале оценки пожарной опасности в лесах. Она включает в себя набор параметров, характеризующих погодные условия, и используется в большом количестве стран надзорными органами. Для дифференцирования оценки пожарной безопасности в России также учитываются параметры лесхозов на исследуемой территории. Дифференцированный показатель вычисляется как
,
где , t – температура воздуха
в период с 12:00 до 14:00 по местному времени;
η – точка росы; Pi – весовой множитель, выраженный в процентном отношении площади лесхоза
к общей площади исследуемой территории. Шкала оценки степени пожарной опасности представлена в табл. 6 [6, 7].
Таблица 6
Table 6
Классическая шкала оценки степени пожарной опасности
Classic scale for assessing the fire risk
Класс пожарной опасности в лесах Величина комплексного показателя
Степень пожарной опасности
I 0–300 Отсутствует
II 301–1 000 Малая
III 1 001–4 000 Средняя
IV 4 001–12 000 Высокая
V ˃ 12 000 Чрезвычайная
Для применения предложенной интегральной оценки необходимо использовать определенные множествами наборы данных. Их возможно представить в виде таблиц 7, 8.
Таблица 7
Table 7
Открытые данные Рослесхоза*
Open data of the Federal Forestry Agency
Дата Регион Площадь лесных земель, тыс. га Площадь
защитных лесов, тыс. га Лесистость
территории Количество
пожаров
(термических
аномалий) Площадь,
пройденная
огнем, всего,
тыс. га Площадь,
пройденная
огнем, покрытая лесом, тыс. га
09.07.2021 Вологодская область 10 291,0 1 832,2 68,5 77 1,26 0,76
09.07.2021 Архангельская обл. 22 757,5 8 757,9 53,9 130 4,69 2,11
09.07.2021 Ленинградская обл. 49 88,9 2 838,7 57,5 269 14,47 5,98
09.07.2021 Калининградская обл. 286,5 270,4 18,7 168 15,69 2,17
09.07.2021 Ненецкий авт. окр. 3 179,8 446,8 18,0 4 0,33 0,01
09.07.2021 Новгородская обл. 3 587,0 997,0 64,3 200 17,69 5,68
09.07.2021 Псковская обл. 2 190,0 641,2 38,8 429 29,03 8,54
09.07.2021 Мурманская обл. 5 476,0 6 032,5 37,5 20 2,54 1,09
09.07.2021 Республика Карелия 9 783,4 4 643,2 53,1 46 1,39 1,14
09.07.2021 Республика Коми 30,6 14 477,9 72,7 104 4,5 2,1
* Составлено по [8, 9].
Таблица 8
Table 8
Обобщенный прогноз погодных условий (температурная карта)*
Generalized weather forecast (temperature map)
Регион Температура, начало периода, день, °C Температура, конец периода, день, °C Температура, начало периода, ночь, °C Температура, конец периода, ночь, °C
Архангельская обл. 26 15 12 8
Вологодская обл. 31 21 15 15
Калининградская обл. 26 23 20 14
Ленинградская обл. 31 23 17 16
Мурманская обл. 25 21 18 8
Ненецкий авт. окр. 26 15 12 8
Новгородская обл. 31 23 17 16
Псковская обл. 31 23 17 16
Республика Карелия 30 18 18 14
Республика Коми 30 15 14 8
Регион Скорость ветра, м/с, среднее
значение Давление,
мм рт. ст. Направление ветра,
преобладающее значение Осадки, мм
Архангельская обл. 2 764 Ю/В 0
Вологодская обл. 1 752 Ю/З 0
Калининградская обл. 4 762 З 0
Ленинградская обл. 2 759 З 0
Мурманская обл. 3 759 Ю 1
Ненецкий авт. окр. 2 770 С/В 0
Новгородская обл. 2 761 Ю/В 0
Псковская обл. 1 759 Ю 0
Республика Карелия 4 757 В 0
Республика Коми 2 757 Ю/В 1
* Составлено по [8].
Использование разработанных и заполненных матриц как единого data set возможно при помощи модуля поддержки принятия решений, который
в дальнейшем планируется реализовать на базе языка Python. Особое внимание необходимо уделить одному из самых важных этапов – подготовке данных (Data Preparation), результатом которого является выборка – набор очищенных данных, пригодных для обработки при помощи соответствующих алгоритмов. Использование машинного обучения позволит в дальнейшем детализировать полученную интегральную оценку, установить дополнительные связи между различными факторами, более детализировано установить их взаимосвязи и пересмотреть коэффициенты важности для каждого из них. Использование архивов открытых данных, содержащих сведения о соотношении выделенных ранее факторов (температурные режимы, скорость ветра, давление и т. д.) и появлении термических аномалий (очагов возгорания), позволит сформировать обучающие выборки. Объемов таких данных в разрезе разных лет и территорий будет достаточно для формирования оптимального алгоритма оценки текущей ситуации. Также повышения эффективности прогнозирования можно добиться, используя собственные системы природного мониторинга, которые имеются у лесных хозяйств.
В табл. 7 приведены открытые данные информационной системы дистанционного мониторинга, открытые данные «Площадь лесных земель», «Сведения о землях лесного фонда (тысяча гектаров) по состоянию на 01.07.2021 г.», «Лесистость территории (%) по состоянию на 01.07.2021 г.» официального сайта Рослесхоза (отчеты по данным 07–09.2021 г.) относительно Северо-Западного федерального округа. В табл. 8 приведены открытые данные информационной системы дистанционного мониторинга Рослесхоза «Обобщенный прогноз погодных условий по регионам Российской Федерации на 09.08.2021 г.» (температурная карта) по Северо-Западному федеральному округу, а также открытые данные информационного портала Gismeteo.ru (давление, ветер, осадки) на 09.08.2021 г. по Северо-Западному федеральному округу. На основе предложенных структур матриц разработана первичная база данных, которая в дальнейшем будет наполняться автоматически из открытых источников государственных информационных систем. Данные в системах формируются с разной периодичностью, большинство из них – ежедневно, что позволяет проводить качественный мониторинг и следить за изменением текущей ситуации в нужном регионе [10]. На основе шкалы пожароопасности можно будет получать оптимальную оценку риска возникновения пожара за счет анализа большего количества факторов, нежели в классической оценке.
Заключение
Получена интегральная оценка опасности возникновения лесных пожаров, которая отличается от классической шкалы большим набором учитываемых факторов. В дальнейших исследованиях данная оценка будет заложена в метод поддержки принятия управленческих решений при разработке мероприятий, направленных на предотвращение возникновения очагов возгорания в лесных массивах. Разрабатываемая информационная система будет получать данные для прогнозирования непосредственно из источников открытых данных, что позволит ее горизонтально масштабировать на территории России без необходимости доступа
к закрытым базам данных. Данная система не нуждается в собственных аппаратно-программных модулях мониторинга природных территорий.
1. Statistika po lesnym pozharam v Rossii // TASS. 2020. 10 maya. URL: https://tass.ru/info/14586659 (data obrascheniya: 10.05.2022).
2. Lesnye pozhary v Rossii v 2022 godu: gde seychas goryat lesa // Yurid. gazeta. 2022. 14 maya. URL: https://yur-gazeta.ru/newsday/lesnye-pojary-v-rossii-v-2022-gody-gde-seichas-goriat-lesa.html (data obrascheniya: 01.07.2022).
3. Scheglova E. G. O vliyanii pogodnyh usloviy na pozhary prirodnyh ob'ektov // Vestn. Orenb. gos. un-ta. 2013. № 1 (150). S. 166-170.
4. Samsonova I. D., Kondrat'ev A. S. Ocenka sostoyaniya ohrany lesov ot pozharov v Novgorodskoy oblasti // Izv. Sankt-Peterb. lesotehn. akad. 2021. № 235. S. 57-70.
5. Scheglova E. G. Usloviya i prichiny vozniknoveniya pozharov v lesnyh biocenozah // Nauchnye dostizheniya biologii, himii, fiziki: sb. st. po materialam XII Mezhdunar. nauch.-prakt. konf. (Novosibirsk, 17 noyabrya 2012 g.). Novosibirsk: Izd-vo SibAK, 2012. S. 65-70.
6. Ocenka stepeni pozharoopasnosti v lesah // Metodicheskiy kabinet Gidrometcentra Rossii. URL: http://method.meteorf.ru/danger/fire/estime/estime.html (data obrascheniya: 10.05.2022).
7. Ob utverzhdenii klassifikacii prirodnoy pozharnoy opasnosti lesov i klassifikacii pozharnoy opasnosti v lesah v zavisimosti ot usloviy prirody: prikaz Federal'nogo agentstva lesnogo hozyaystva Ros-sii ot 05 iyulya 2011 g. № 287. URL: https://docs.cntd.ru/document/902289183 (data obrascheniya: 10.05.2022).
8. Otkrytye dannye informacionnoy sistemy distancionnogo monitoringa Federal'nogo agentstva lesnogo hozyaystva Rossii. URL: http://public.nffc.aviales.ru/main_pages/public.shtml (data obrascheniya: 01.07.2022).
9. Ploschad' lesnyh zemel' (tysyacha gektarov) po so-stoyaniyu na 01.07.2021 g. // Otkrytye dannye Federal'nogo agentstva lesnogo hozyaystva Rossii. URL: https://rosleshoz.gov.ru/opendata/7705598840-ForestlandArea (data obrascheniya: 01.07.2022).
10. Ivanov S. A. Elementy informacionnoy podderzhki prinyatiya resheniy pri upravlenii lesnym hozyaystvom // Aktual'nye voprosy lesnogo hozyaystva: materialy V Mezhdunar. molodezh. nauch.-prakt. konf. (Sankt-Peterburg, 11-12 noyabrya 2021 g.). SPb.: Izd-vo Sankt-Peterb. gos. lesotehn. un-ta im. S. M. Kirova, 2021. S. 138-141.
