Modeling of forest fires based on the Bayesian forecast model and geoinformation technologies
Article Sidebar
Main Article Content
Abstract
Today, a variety of information about forest ecosystems can be obtained using remote sensing methods. The use of space data for forest monitoring is cost-effective because it allows you to quickly obtain the objective information needed by foresters to solve practical problems. Satellite data provide wide coverage of forest lands, high accuracy of results, as well as high frequency of data obtained. Space images of the Ovruch district of the Zhytomyr region of Ukraine in the summer of 2020 were selected for the study. Determination of breed composition was carried out by the methods of controlled classification, namely the Bayesian classifier. It was found that 70 % of forests are pine, less aspen, hornbeam, birch, alder and ash tree species. According to statistics, during 2000-2020, 51.4 thousand hectares of forest plantations in Ukraine were damaged and destroyed by forest fires. Therefore, objective and timely information on the consequences of fires is needed to solve a wide range of applied problems of forestry. An important task in assessing the environmental and economic damage caused to forestry as a result of forest fires is to determine the area of damaged forests. The paper considers technologies for determining the area of the forest where the fire took place, using space images of the Landsat 8 satellite. The normalized NBR fire index before and after the fire and the DNBR index are used to identify areas burned by fire and impression levels. To predict forest fires, a mathematical model based on Bayes' theorem was created and a thematic map with fire hazard classes on a quarterly basis was created. To check the accuracy of the results of the created forecast model, the thematic map was combined with a layer of defined fire areas. This software product is quite flexible and versatile, it can be easily adapted for use not only to identify burned forest lands, but also for other areas.
Article Details
References
Слободяник М.П. Використання методів ДЗЗ та ГІС-технологій для моніторингу лісових ресурсів. Вісник геодезії та картографії. № 1(88). 2014. C.27–31.
Миронюк В.В. Перспективи використання методу класифікації космічних знімків для лісової інвентаризації України. Збалансоване природокористування. № 2. 2015. С. 9–15.
Токар О., Король М., Гаврилюк С., Цуняк А. Використання супутникових знімків для оцінювання таксаційних показників лісових насаджень. Міжвідомчий науково-технічний збірник «Геодезія, картографія і аерофотознімання». № 85. 2017. С.84-93.
Поморцева О.Є. Моделювання розташування екологічно небезпечних об’єктів за допомогою геоінформаційних систем. Вчені записки ТНУ імені В.І. Вернадського. Серія: технічні науки. Т. 29(68), № 6, Ч.2. 2018. С. 222 – 226.
Зацерковний В., Савков П., Пампуха І., Васецька К. Застосування технологій ГІС та ДЗЗ в задачах моніторингу лісових пожеж. Вісник Київського національного університету імені Тараса Шевченка. Військово-спеціальні науки. № 2(44). 2020. С. 54–58.
Shvaiko, V., Bandurka, O., Shpuryk, V., & Havrylko, Y. V. Methods for detecting fires in ecosystems using low-resolution space images. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska. No 11(1). 2021. Pp. 15-19.
Барабаш О., Бандурка О., Шпурик В., Свинчук О. Інформаційна система аналізу геоданих для відслідковування змін рослинності. Сучасні інформаційні системи. 2021. Том 5, № 4. С. 17–25. doi: https://doi.org/10.20998/2522-9052.2021.4.03
Худов В., Кучук Г., Маковейчук М., Крижний А. Аналіз відомих методів сегментування зображень, що отримані з бортових систем оптико-електронного спостереження. Системи обробки інформації. 2016. С. 77–80.
Kuchuk N., Kovalenko A., Tkachov V., Kuchuk H. Predicting traffic anomalies in container virtualization. Computer and Information System and Technologies. 2021. P. 25-26.
Васильев А.С., Краснящих А.В., Коротаев В.В., Лашманов О.Ю. и др. Разработка программно-аппаратного ком-плекса обнаружения лесных пожаров методом совмещения изображений. Приборостроение. Т.55, № 12. 2015. С. 50–55.
Васильев С.Н., Жерлов А.К., Федосов Е.А., Федунов Б.Е. Интеллектуальное управление динамическими система-ми. М.: Физико-математическая литература, 2000. 352 с.
Гришин А.М. Общая математическая модель лесных пожаров и её приложения. Физика горения. Том 32, № 5, Томск, 2000. С. 35–54.
Куценко Л.М., Васильєв С.В. Моделювання зовнішніх проявів надзвичайних ситуацій, як двофазних гетерогенних процесів. Проблеми надзвичайних ситуацій. Збірка наукових праць. Випуск 8. 2008. С. 115–123.
Грабарник П.А., Чертов О.Г., Чумаченко С.Г. Интеграция имитационных моделей для комплексной оценки экоси-стемных услуг лесов: методические подходы. Информационные и вычислительные технологии в биологии и ме-дицине. Том 14, № 2. 2019. С. 488–499.
Макаров И.М., Лохина В.М. Интеллектуальные системы автоматического управления. М.: Физико-математическая литература, 2001. 576 с.
SDK [Электронный ресурс] / Wikimedia Foundation Inc. Сан-Франциско., 2009. URL: http:// ru.wikipedia.org/wiki/SDK
Комаров А.С., Чертов О.Г., Быховец С.С., Припутина И.В., Шанин В.Н., Видягина Е.О., Лебедев В.Г., Шестибратов К.А. Воздействие осиновых плантаций с коротким оборотом рубки на биологический круговорот углерода и азота в лесах бореальной зоны: модельный эксперимент. Математическая биология и биоинформатика. 2015. Т. 10. № 2. С. 398–415.
Припутина И.В., Фролова Г.Г., Быховец С.С., Шанин В.Н., Лебедев В.Г., Шестибратов К.А. Моделирование про-дуктивности лесных плантаций при разных схемах пространственного размещения деревьев. Математическая биология и биоинформатика. 2016. Т. 11. № 2. С. 245–262.