СИСТЕМНЫЙ АНАЛИЗ ФАКТОРОВ, ВЛИЯЮЩИХ НА ВОЗНИКНОВЕНИЕ ЛЕСНЫХ ПОЖАРОВ В СЕВЕРО-ЗАПАДНОМ ФЕДЕРАЛЬНОМ ОКРУГЕ
Авторы:
1.
Санкт-Петербургский государственный лесотехнический университет им. С. М. Кирова; Санкт-Петербургский университет технологий управления и экономики
(кандидат технических наук; доцент кафедры информационных систем и технологий; доцент кафедры информационных технологий и математики )
, Россия
, Россия
Тип:
Статья
Страницы:
с 26
по 34
Статус:
Опубликован
Получено:
05.09.2022
Одобрено:
30.09.2022
Опубликовано:
25.10.2022
Классификаторы:
УДК 303.732 Системный уровень. Системный анализ
Язык материала:
русский
Ключевые слова:
лесные пожары, классификация факторов возникновения пожаров, оценка пожарной опасности, коэффициент важности, матрица экспертных оценок, интегральная оценка
Аннотация (русский):
Проведен системный анализ факторов (антропогенные, погодные условия, типы лесов), влияющих на возникновение лесных пожаров. Определены разноуровневые классификации для каждого множества факторов с включением термов, которые позволяют лицу, принимающему решения, работать с естественным для него языком. Предложена интегральная оценка риска возникновения лесного пожара, которая описана нечеткой моделью, содержащей терм-множество. Разработана структура системы критериев, по которым можно определить риск возникновения пожара. Предложенная интегральная оценка может служить дополнением к существующей классической шкале оценки пожарной опасности в лесах. Она включает параметры, характеризующие погодные условия, и используется в большом количестве стран надзорными органами. Для дифференцирования оценки пожарной безопасности в России также учитываются параметры лесхозов на исследуемой территории. 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 конкретном регионе. На основе шкалы пожароопасности можно будет получать оптимальную оценку риска возникновения пожара за счет анализа большего количества факторов, нежели в классической оценке. Для последующей реализации метода поддержки принятия решений разработаны матрицы на основе открытых данных государственных информационных систем. 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.
Проведен системный анализ факторов (антропогенные, погодные условия, типы лесов), влияющих на возникновение лесных пожаров. Определены разноуровневые классификации для каждого множества факторов с включением термов, которые позволяют лицу, принимающему решения, работать с естественным для него языком. Предложена интегральная оценка риска возникновения лесного пожара, которая описана нечеткой моделью, содержащей терм-множество. Разработана структура системы критериев, по которым можно определить риск возникновения пожара. Предложенная интегральная оценка может служить дополнением к существующей классической шкале оценки пожарной опасности в лесах. Она включает параметры, характеризующие погодные условия, и используется в большом количестве стран надзорными органами. Для дифференцирования оценки пожарной безопасности в России также учитываются параметры лесхозов на исследуемой территории. 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 конкретном регионе. На основе шкалы пожароопасности можно будет получать оптимальную оценку риска возникновения пожара за счет анализа большего количества факторов, нежели в классической оценке. Для последующей реализации метода поддержки принятия решений разработаны матрицы на основе открытых данных государственных информационных систем. 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.
Ключевые слова:
лесные пожары, классификация факторов возникновения пожаров, оценка пожарной опасности, коэффициент важности, матрица экспертных оценок, интегральная оценка
лесные пожары, классификация факторов возникновения пожаров, оценка пожарной опасности, коэффициент важности, матрица экспертных оценок, интегральная оценка
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. Статистика по лесным пожарам в России // ТАСС. 2020. 10 мая. URL: https://tass.ru/info/14586659 (дата обращения: 10.05.2022).
2. Лесные пожары в России в 2022 году: где сейчас горят леса // Юрид. газета. 2022. 14 мая. URL: https://yur-gazeta.ru/newsday/lesnye-pojary-v-rossii-v-2022-gody-gde-seichas-goriat-lesa.html (дата обращения: 01.07.2022).
3. Щеглова Е. Г. О влиянии погодных условий на пожары природных объектов // Вестн. Оренб. гос. ун-та. 2013. № 1 (150). С. 166–170.
4. Самсонова И. Д., Кондратьев А. С. Оценка состояния охраны лесов от пожаров в Новгородской области // Изв. Санкт-Петерб. лесотехн. акад. 2021. № 235. С. 57–70.
5. Щеглова Е. Г. Условия и причины возникновения пожаров в лесных биоценозах // Научные достижения биологии, химии, физики: сб. ст. по материалам XII Междунар. науч.-практ. конф. (Новосибирск, 17 ноября 2012 г.). Новосибирск: Изд-во СибАК, 2012. С. 65–70.
6. Оценка степени пожароопасности в лесах // Методический кабинет Гидрометцентра России. URL: http://method.meteorf.ru/danger/fire/estime/estime.html (дата обращения: 10.05.2022).
7. Об утверждении классификации природной пожарной опасности лесов и классификации пожарной опасности в лесах в зависимости от условий природы: приказ Федерального агентства лесного хозяйства Рос-сии от 05 июля 2011 г. № 287. URL: https://docs.cntd.ru/document/902289183 (дата обращения: 10.05.2022).
8. Открытые данные информационной системы дистанционного мониторинга Федерального агентства лесного хозяйства России. URL: http://public.nffc.aviales.ru/main_pages/public.shtml (дата обращения: 01.07.2022).
9. Площадь лесных земель (тысяча гектаров) по со-стоянию на 01.07.2021 г. // Открытые данные Федерального агентства лесного хозяйства России. URL: https://rosleshoz.gov.ru/opendata/7705598840-ForestlandArea (дата обращения: 01.07.2022).
10. Иванов С. А. Элементы информационной поддержки принятия решений при управлении лесным хозяйством // Актуальные вопросы лесного хозяйства: материалы V Междунар. молодеж. науч.-практ. конф. (Санкт-Петербург, 11–12 ноября 2021 г.). СПб.: Изд-во Санкт-Петерб. гос. лесотехн. ун-та им. С. М. Кирова, 2021. С. 138–141.
