ВведениеЛесные 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 факторовДля 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 1Table 1 Погодные факторыWeather factorsОбозначение ФакторТермT1Дневная температура начала периода{низкая, средняя, высокая}T2Дневная температура конца периодаT3Ночная температура начала периодаT4Ночная температура конца периодаT5Скорость ветраT6Осадки{отсутствие, мало, средне, обильно}Антропогенные факторы представлены в табл. 2.Таблица 2Table 2 Антропогенные факторыAnthropogenic factorsОбозначениеФакторТерм 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 3Table 3 Природные факторыNatural factorsОбозначениеФактор (тип объекта загорания)ТермL1Ельники, березняки и осинники долгомошники, ельники сфагновые и приручейные. Ольшаники всех типов.{отсутствует}L2Места 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}L3Сосняки-кисличники и черничники, лиственничники-брусничники, кедровники всех типов, кроме прирученных и сфагновых, ельники-брусничники и кисличники.{средняя}Окончание табл. 3Ending of Table 3 ОбозначениеФактор (тип объекта загорания)Терм L4Сосняки-брусничники, особенно с наличием соснового подроста или под-леска из можжевельника выше средней густоты. Лиственничники кедрово-стланниковые.{высокая}L5Хвойные 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 4Table 4 Факторы земной поверхностиSoil factorsФакторОбозначениеТермКласс возгораемостиПочва без растительности и опадаU1{отсутствует}0Растительность в начальных фазах вегетации (отрастание – цветение), без опадаU2{слабая}1Растительность в начальных фазах вегетации (отрастание – цветение), опад до 1 см2Растительность в заключительных фазах вегетации (цветение – отмирание), без опада2Растительность в начальных фазах вегетации (отрастание – цветение), опад до 2 смU3{средняя}3Растительность в заключительных фазах вегетации (цветение – отмирание), опад до 1 см3Растительность в начальных фазах вегетации (отрастание – цветение), опад до 3 см4Почва без растительности, опад 1 см4Растительность в начальных фазах вегетации (отрастание – цветение), опад более 3 смU4{высокая}5Растительность в заключительных фазах вегетации (цветение – отмирание), опад 2 см5Растительность в заключительных фазах вегетации (цветение – отмирание), опад 3 см6Почва без растительности, опад 2 см6Почва без растительности, опад 3 смU5{очень высокая}8Почва без растительности, опад более 3 см10 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 критериевStructure 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 5Table 5Оценка значимости критериевAssessment of the significance of criteriaОценка на естественном для эксперта языке … … T1…T6L1…L5U1…U5Эксперт 1a11…a13a14…a18……………………a1mЭксперт 2………………………………………Эксперт 3…………………………………………………………………………………Эксперт bab1…ab3ab4…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 6Table 6Классическая шкала оценки степени пожарной опасности Classic scale for assessing the fire riskКласс пожарной опасности в лесахВеличина комплексного показателя Степень пожарной опасностиI0–300ОтсутствуетII301–1 000МалаяIII1 001–4 000СредняяIV4 001–12 000ВысокаяV˃ 12 000Чрезвычайная Для применения предложенной интегральной оценки необходимо использовать определенные множествами наборы данных. Их возможно представить в виде таблиц 7, 8. Таблица 7Table 7Открытые данные Рослесхоза*Open data of the Federal Forestry AgencyДатаРегионПлощадь лесных земель, тыс. гаПлощадь защитных лесов, тыс. гаЛесистость территорииКоличество пожаров (термических аномалий)Площадь, пройденная огнем, всего,тыс. гаПлощадь, пройденная огнем, покрытая лесом, тыс. га09.07.2021Вологодская область10 291,01 832,268,5771,260,7609.07.2021Архангельская обл.22 757,58 757,953,91304,692,1109.07.2021Ленинградская обл.49 88,92 838,757,526914,475,9809.07.2021Калининградская обл.286,5270,418,716815,692,1709.07.2021Ненецкий авт. окр.3 179,8446,818,040,330,0109.07.2021Новгородская обл.3 587,0997,064,320017,695,6809.07.2021Псковская обл.2 190,0641,238,842929,038,5409.07.2021Мурманская обл.5 476,06 032,537,5202,541,0909.07.2021Республика Карелия9 783,44 643,253,1461,391,1409.07.2021Республика Коми30,614 477,972,71044,52,1* Составлено по [8, 9].Таблица 8Table 8Обобщенный прогноз погодных условий (температурная карта)*Generalized weather forecast (temperature map)РегионТемпература, начало периода, день, °CТемпература, конец периода, день, °CТемпература, начало периода, ночь, °CТемпература, конец периода, ночь, °CАрхангельская обл.2615128Вологодская обл.31211515Калининградская обл.26232014Ленинградская обл.31231716Мурманская обл.2521188Ненецкий авт. окр.2615128Новгородская обл.31231716Псковская обл.31231716Республика Карелия30181814Республика Коми3015148РегионСкорость ветра, м/с, среднее значениеДавление, мм рт. ст.Направление ветра, преобладающее значениеОсадки, ммАрхангельская обл.2764Ю/В0Вологодская обл.1752Ю/З0Калининградская обл.4762З0Ленинградская обл.2759З0Мурманская обл.3759Ю1Ненецкий авт. окр.2770С/В0Новгородская обл.2761Ю/В0Псковская обл.1759Ю0Республика Карелия4757В0Республика Коми2757Ю/В1* 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.ЗаключениеПолучена 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.