Моделювання пожеж за результатами кореляційного аналізу
DOI:
https://doi.org/10.36023/ujrs.2023.10.3.245Ключові слова:
моделювання, екологія, методи, дані, параметриАнотація
З метою моніторингу та більш детального вивчення причин та ймовірності виникнення та поширення пожеж на сході України у зоні бойових дій у даній роботі виконано математичне моделювання факторів, що впливають на виникнення пожеж, на основі лінійної регресії. Первинна оцінка апріорної інформації, подана у дискретному вигляді, є трудомістким процесом. Великий набір даних з інтервалом у часі потребує застосування готових методів та рішень. Методи статистичного аналізу та історичної аналогії дозволяють провести візуальну та графічну оцінку вихідних даних, на підставі яких виконується класифікація факторів для подальшого поділу на вибірки та їх подальшого аналізу та моделювання. Показано доцільність застосування кореляційного аналізу, оскільки такий підхід дозволив встановити та відобразити залежності між пожежами та бойовими діями у різних інтервалах часу. Для вивчення відносин між пожежами та факторами їх виникнення застосовано метод лінійної регресії, який поширений у вирішенні завдань екологічного моніторингу Землі. В результаті було розроблено програмний код, що забезпечує реалізацію алгоритму лінійної регресії. Оскільки великий набір даних вимагає готових математичних інструментів із функцією візуалізації, то мова програмування Python була обрана як інструмент для математичного моделювання пожеж на сході України внаслідок активних бойових дій. Для моделювання випадкові величини розділені у співвідношенні 40% та 60% для тестування та навчання моделей відповідно. Графічний матеріал цієї роботи містить вихідні дані для подальшого аналізу, результати розбиття набору даних, а також їх моделювання. Табличні дані містять кількісні оцінки тестових і навчальних моделей для прийняття рішень – наскільки результати передбачень задовольняють поставлену мету роботи. Кількісні оцінки результатів пророцтв показують необхідність повного вихідного набору факторів виникнення пожеж та їх якісної та кількісної класифікації. Реалізація математичного алгоритму підтверджує простоту застосування методів регресії. Однак застосування регресійного аналізу для моделювання пожеж в умовах нестачі апріорної інформації демонструє необхідність проведення додаткового аналізу іншими відомими методами та синтезу додаткових нових даних в результаті використання інтервальних оцінок за допомогою нечіткої логіки.
Посилання
Artés, T., Cencerrado, A., Cortés, A., Margalef, T. (2016). Time aware genetic algorithm for forest fire propagation prediction: Exploiting multi—core platforms. Concurrency and Computation Practice and Experience, 29(9), 3837. DOI: https://doi.org/10.1002/cpe.3837.
Avilaflores, D.Y., Pompagarcia, M., Antonionemiga, X., Rodrigueztrejo, D.A., Vargasperez, E., Santillan—Perez, J. (2010). Driving factors for forest fire occurrence in Durango State of Mexico: A geospatial perspective. Chinese Geographical Science , 20(6), pp. 491–497. DOI: https://doi.org/10.1007/s11769-010-0437-x.
Balbi, J.-H., Chatelon, F.J., Rossi, J.L., Simeoni, A., Viegas, D.X., Rossa, C. (2014). Modelling of eruptive fire occurrence and behaviour. Journal of Environmental Science and Engineering, 3, pp. 115-132. DOI: https://doi.org/10.17265/2162-5263/2014.03.001.
Barmpoutis, P., Papaioannou, P., Dimitropoulos, K., Grammalidis, N. (2020). A Review on Early Forest Fire Detection Systems Using Optical Remote Sensing. Sensors, 20(22), 6442. doi: https://doi.org/10.3390/s20226442.
Bhusal, S., Mandal, R. (2020). Forest fire occurrence, distribution and future risks in Arghakhanchi district, Nepal. Journal of Geography , 2(1), pp.10–20.
Cunningham, A.A., Martell, D.L. (1973). A Stochastic Model for the Occurrence of Man—caused Forest Fires. Canadian Journal of Forest Research, 3(2), pp.282–287. doi: https://doi.org/10.1139/x73-038.
Gülçin, D., Deniz, B. (2020). Remote sensing and GIS—based forest fire risk zone mapping: The case of Manisa, Turkey. Turkish Journal of Forestry / Türkiye Ormancılık Dergisi, 21(1), pp. 15–24. doi: https://doi.org/10.18182/tjf.649747.
Kalantar, B., Ueda, N., Idrees, M.O., Janizadeh, S., Ahmadi, K., Shabani, F. (2020). Forest Fire Susceptibility Prediction Based on Machine Learning Models with Resampling Algorithms on Remote Sensing Data. Remote Sensing, 12, 3682. DOI: https://doi.org/10.3390/rs12223682.
Ko, B.C., Cheong, K.H., Nam, J.Y. (2009). Fire detection based on vision sensor and support vector machines. Fire Safety Journal, 44(3), pp. 322–329. DOI: https://doi.org/10.1016/j.firesaf.2008.07.006.
Liao, B.Q., Wei, J., Song, W.G., Tan, C.C. (2008). Logistic and ZIP Regression Model for Forest Fire Data. Fire Safety Science, 3, pp. 143–149.
Naranjo, S., Brito, N., Núñez, V. (2022). Analysis of the use of the Python programming language for statistical calculations. Espirales Revista multidisciplinaria de investigación, 6(41). DOI: 10.31876/er.v6i41.813.
Maffei, C., Lindenbergh, R.C., Menenti, M. (2021). Combining multi—spectral and thermal remote sensing to predict forest fire characteristics. ISPRS Journal of Photogrammetry and Remote Sensing, 181, pp. 400–412. doi: https://doi.org/10.1016/j.isprsjprs.2021.09.016.
Pradeep, G.S., Prasad, M.K., Kuriakose, S.L., Ajin, R.S., Oniga, V.E., Rajaneesh A., Mammen, P.C., Patel, N., Nikhil, S., Danumah, J.H. (2021). Forest Fire Risk Zone Mapping of Eravikulam National Park in India. Croatian Journal of Forest Engineering, 43(1), pp. 199–217. DOI: https://doi.org/10.5552/crojfe.2022.1137.
Prasad, A.M., Iverson, L.R., Liaw, A. (2006). Newer classification and regression tree techniques: Bagging and random forests for ecological prediction. Ecosystems, 9(2), pp. 181–199. DOI: https://doi.org/10.1007/s10021-005-0054-1.
Qiu, J., Wang, H., Shen, W., Zhang, Y., Su, H., Li, M. (2021). Quantifying Forest Fire and Post—Fire Vegetation Recovery in the Daxin’anling Area of Northeastern China Using Landsat Time—Series Data and Machine Learning. Remote Sensing , 13(4), 792. doi: https://doi.org/10.3390/rs13040792.
Sachdeva, S., Bhatia, T., Verma, A.K. (2018). GIS—based evolutionary optimized Gradient Boosted Decision Trees for forest fire susceptibility mapping. Natural Hazards, 92(3), pp. 1399–1418. DOI: https://doi.org/10.1007/s11069-018-3256-5.
Sakr, G.E., Elhajj, I.H., Mitri, G.H. (2011). Efficient forest fire occurrence prediction for developing countries using two weather parameters. Engineering Applications of Artificial Intelligence, 24(5), pp. 888–894. DOI: https://doi.org/10.1016/j.engappai.2011.02.017.
Shi, S., Yao, C., Wang, S., Han, W. (2018). A Model Design for Risk Assessment of Line Tripping Caused by Wildfires. Sensors, 18(6):1941. DOI: https://doi.org/10.3390/s18061941.
Venkatesh, K., Preethi, K., Ramesh, H. (2020). Evaluating the effects of forest fire on water balance using fire susceptibility maps. Ecological Indicators, 110, 105856. doi:https://doi.org/10.1016/j.ecolind.2019.105856.
Xufeng, L., Zhongyuan, L., Wenjing, C., Xueying, S. (2023). Forest Fire Prediction Based on Long- and Short-Term Time-Series Network. Forests, 14(4), 778. doi: https://doi.org/10.3390/f14040778.
Yongqi, P., Yudong, L., Zhongke, F., Zemin, F., Ziyu, Z., Shilin, C. , Hanyue, Z. (2022). Forest Fire Occurrence Prediction in China Based on Machine Learning Methods. Remote Sensing, 14(21), 5546. doi: https://doi.org/10.3390/rs14215546.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ліцензійні умови: автори зберігають авторські права та надають журналу право першої публікації на твір, одночасно ліцензований за міжнародною ліцензією Creative Commons Attribution License International CC-BY, що дозволяє іншим поділитися твором з підтвердженням авторства твору та первинною публікацією в цьому журналі.
Автори, направляючи рукопис у редакцію «Українського журналу дистанційного зондування Землі», погоджуються з тим, що редакції передаються права на захист і використання рукопису (переданого до редакції журналу матеріалу, в т. ч. такі об’єкти авторського права як фотографії автора, рисунки, схеми, таблиці тощо), в тому числі на відтворення у пресі та мережі Інтернет, на поширення, на переклад рукопису на будь-які мови, експорту та імпорту примірників журналу зі статтею авторів з метою розповсюдження, на доведення до загального відома. Зазначені вище права автори передають редакції без обмеження терміну і на території всіх країн світу без обмеження в т. ч. на території України.
Автори гарантують наявність у них виняткових прав на використання переданого редакції матеріалу. Редакція не несе відповідальності перед третіми особами за порушення даних авторами гарантій. За Авторами залишається право використання їх опублікованого матеріалу, його фрагментів і частин в особистих, у тому числи наукових і освітянських цілях. Права на рукопис вважаються переданими Авторами редакції з моменту підписання до друку випуску журналу, в якому він публікується. Передрук матеріалів, опублікованих у журналі, іншими фізичними та юридичними особами можливий тільки зі згоди редакції, з обов’язковим зазначенням випуску журналу, в якому було опубліковано матеріал.
