Information processing for the decision support system for fire monitoring of forest areas

封面

如何引用文章

全文:

详细

The purpose of our study was to formulate provisions for obtaining an integral assessment characterizing the rating of forest areas in terms of fire hazard. We obtained this estimate based on the aggregation of many parameters characterizing climatic conditions and factors that take into account anthropogenic influence in a given area of the forest. Considering the heterogeneity of such parameters, we used the methods of fuzzy inference and the theory of fuzzy sets to aggregate them. The complex for determining the assessment of the forest area is implemented in the form of a hierarchical fuzzy inference system. We investigated the process of functioning of the formed complex and found that its output pattern is predominantly stepwise. This result makes it possible to classify the analyzed forest areas into states groups. Further studies of the classes of states formed by us by the methods of cluster analysis make it possible to identify areas with similar characteristics. The use of the classification results makes it possible to rank forest areas according to the order of preventive or preparatory measures to reduce  fire hazard or increase  responsiveness in case of a fire. The results obtained by us are aimed at using in decision support systems for the management of forests and other types of adjacent territories.

作者简介

Alexander Sorokin

Astrakhan State Technical University

16 Tatishcheva St., Astrakhan 414056, Russia

Nataliya Maltseva

Astrakhan State Technical University

16 Tatishcheva St., Astrakhan 414056, Russia

Denis Kutuzov

Astrakhan State Technical University

16 Tatishcheva St., Astrakhan 414056, Russia

Alexey Osovsky

Astrakhan State Technical University

16 Tatishcheva St., Astrakhan 414056, Russia

参考

  1. Кухар И. В., Бердникова Л. Н., Орловский С. Н., Мартыновская С. Н., Коршун В. Н., Карнаухов А. И. Влияние вредных и опасных факторов лесных пожаров на окружающую среду // Хвойные бореальной зоны. 2019. Т. 37, № 5. С. 307–312. EDN: VKCKGD
  2. Соколов М. М. Стратегии России по введению трансграничного углеродного регулирования в ЕС // Геоэкономика энергетики. 2021. Т. 15, № 3. С. 84–97. https://doi.org/10.48137/2687-0703_2021_15_3_84
  3. Минаков Е. И., Калистратов Д. С., Мирчук С. Г. Модель информационно-измерительной системы видеомониторинга лесных пожаров // Известия Тульского государственного университета. Технические науки. 2017. № 11–2. С. 194–200. EDN: YSJJAO
  4. Губенко И. М., Рубинштейн К. Г. Сравнительный анализ методов расчета индексов пожарной опасности // Труды гидрометеорологического научно-исследовательского центра Российской Федерации. 2012. Вып. 347. С. 207–222. EDN: PTTLPP
  5. Wotton M. B. Interpreting and using outputs from the Canadian Forest Fire Danger Rating System in research applications // Environmental and Ecological Statistics. 2009. Vol. 16, iss. 2. P. 107–131. https://doi.org/10.1007/s10651-007-0084-2
  6. Sharples J. J., McRae R. H. D., Weber R. O., Gill A. M. A simple index for assessing fire danger rating // Environmental Modelling & Software. 2009. Vol. 24, iss. 6. P. 764–774. https://doi.org/10.1016/j.envsoft.2008.11.004
  7. Van Wagner C. E. Development and structure of the Canadian Forest Fire Weather Index System. Ottawa : Canadian Forestry Service, Headquarters, 1987. 35 p. (Forestry Technical Report, vol. 35). URL: https://cfs.nrcan.gc.ca/publications?id=19927 (дата обращения: 20.03.2022).
  8. Галушкин А. И. Нейронные сети: основы теории. Москва : Горячая Линия-Телеком, 2010. 496 с.
  9. Пегат А. Нечеткое моделирование и управление. Москва : БИНОМ. Лаборатория знаний, 2017. 800 с.
  10. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. Москва : Горячая Линия-Телеком, 2007. 288 с.
  11. Lee K. H. First Course on Fuzzy Theory and Applications. Berlin ; Heidelberg : Springer, 2005. 335 p. https://doi.org/10.1007/3-540-32366-X
  12. Сорокин А. А. Усовершенствование информационно-аналитических комплексов на основе иерархических систем нечеткого логического вывода // Управление большими системами. 2020. Вып. 88. С. 99–123. https://doi.org/10.25728/ubs.2020.88.5
  13. Yager R. R., Filev D. P. Approximate clustering via the mountain method // IEEE Transactions on Systems, Man, and Cybernetics. 1994. Vol. 24, iss. 8. P. 1279–1284. https://doi.org/10.1109/21.299710
  14. Леонтьев В. К. О мерах сходства и расстояниях между объектами // Журнал вычислительной математики и математической физики. 2009. Т. 49, № 11. С. 2041–2058.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名 4.0国际许可协议的许可

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».