СОВРЕМЕННЫЕ ПОДХОДЫ К МОНИТОРИНГУ И ПРОГНОЗИРОВАНИЮ ПРИРОДНЫХ ПОЖАРОВ: ОБЗОР И КОНЦЕПЦИЯ АВТОНОМНОЙ СИСТЕМЫ НА БАЗЕ БПЛА
Аннотация
Природные пожары ежегодно наносят серьёзный урон экосистемам, экономике и безопасности населения, а своевременное обнаружение возгораний и прогнозирование их развития повышает оперативность реагирования на угрозу и позволяет оптимально распределять ресурсы при ликвидации чрезвычайных ситуаций (ЧС). Существующие методы мониторинга ограничены скоростью обнаружения очагов возгорания и оперативностью их дальнейшего распростанения, что снижает эффективность действий спасательных служб. Для решения данной проблемы могут использоваться гетерогенные источники данных, включая беспилотные летательные аппараты (БПЛА), распределённые датчиковые сети, мобильные комплексы полевого наблюдения, наземные тепловизионные станции и т.д., которые могут способствовать проведению более точного анализа текущей обстановки и повышению достоверности прогнозных моделей распространения пожаров. Целью исследования стала разработка концепции автоматизированного подхода к мониторингу и прогнозированию природных пожаров на основе беспилотных летательных аппаратов. Мы считаем, что такой подход сумеет повысить оперативность обнаружения очагов возгорания и точность прогнозирования их распространения. Задачи включают анализ существующих методов мониторинга, формирование концепции системы, интегрирующей многоспектральную съёмку, оптимизированную передачу данных, автоматическую сегментацию и прогнозирование на основе машинного обучения, а также обеспечивающей взаимодействие оператора и специалистов по оповещению. В работе использовались методы сбора, анализа и передачи данных с БПЛА, обработка многоспектральных изображений, машинное обучение и нейронные сети для детекции очагов возгорания, алгоритмы сегментации изображений и имитационное моделирование для прогнозирования распространения огня, визуализация данных для поддержки принятия решений оператором и администратором, логирование и анализ результатов для обучения моделей, программная инженерия и технологии человеко-машинного взаимодействия. Система сократит время обнаружения и прогнозирования пожаров, предоставит возможность оператору запускать несколько дронов одновременно и автоматизирует обработку получаемых с них данных. Автоматизация процессов позволит сократить время реакции на ЧС и численность персонала, улучшить распределение ресурсов, повысить точность прогнозов и своевременность информирования экстренных служб. Это поможет снизить ущерб от природных пожаров и повысить безопасность населения и экосистем. Несмотря на существующие успехи, достигнутые в решении этой задачи, комплексная система, концепция которой описывается в данной статье, пока не существует в полной мере ни в России и странах СНГ, ни в западных и азиатских странах. Хотя отдельные компоненты, такие как БПЛА для мониторинга и искусственный интеллект (ИИ) для анализа данных, уже активно используются, интегрированного решения, которое бы объединяло все элементы (управление дронами, прогнозирование распространения огня в режиме, приближенном к реальному времени, передача данных и взаимодействие с экстренными службами), на данный момент нет. Эта концепция представляет собой новый подход, который может стать прорывной технологией для борьбы с природными катастрофами
Список литературы
1. Vsemirnaya meteorologicheskaya organizatsiya (VMO). V byulletene VMO po kachestvu vozdukha i klimata vnimanie udelyaetsya vozdeystviyam lesnykh pozharov [World Meteorological Organisation (WMO). WMO Air Quality and Climate Bulletin focuses on the impacts of wildfires], World Meteoro-logical Organisation, 2022. Available at: https://goo.su/gCGr (accessed 07 March 2025).
2. Organizatsiya Ob"edinennykh Natsiy. Ezhegodno v mire pozhary unichtozhayut bolee 350 millionov gektarov lesnykh ugodiy [United Nations Organisation. Every year in the world fires destroy more than 350 million hectares of forest land], United Nations, 2010. Available at: https://goo.su/89s9zTt (accessed 07 March 2025).
3. Akay A.E., Wing M.G., Büyüksakallı H., Malkoçoglu S. Evaluation of fire lookout towers using GIS-based spatial visibility and suitability analyzes, Baltic Forestry, 2020, Vol. 144, No. 5–6. Available at: https://doi.org/10.31298/sl.144.5-6.5 (accessed 05 June 2025).
4. NASA. Sputnik Landsat 8 [NASA. Landsat 8 satellite]. Available at: https://goo.su/zytsZZX (accessed 17 March 2025).
5. ScanEx. Terra, Aqua/MODIS. Available at: https://goo.su/FVHXsh (accessed 23 March 2025).
6. Innoter. Спутники Sentinel-2A и Sentinel-2B. Available at: https://goo.su/kWXDS (accessed 02 April 2025).
7. Adewunmi D., Adelusi J.B. Analyzing Satellite Data for Environmental Monitoring and Disaster Man-agement, 2024. Available at: https://goo.su/8pMG8 (accessed 03 May 2025).
8. Glavnoe upravlenie MChS Rossii po Tul'skoy oblasti. Monitoring lesopozharnoy obstanovki na kontro-le spasateley [Main Directorate of the Ministry of Emergency Situations of Russia in the Tula Region. Monitoring of forest fire situation on the control of rescuers]. Available at: https://goo.su/ITln1mt (ac-cessed 05 April 2025).
9. Al'batros. Monitoring lesnykh pozharov s BPLA [Albatross. Monitoring of forest fires from UAVs]. Available at: https://goo.su/gKmaw (accessed 06 April 2025).
10. Glavnoe upravlenie MChS Rossii po Kaliningradskoy oblasti. Tekhnika MChS Rossii: bespilotnye avi-atsionnye sistemy [Main Directorate of the Ministry of Emergency Situations of Russia for the Kalinin-grad Region. Technique of the Russian Emergencies Ministry: unmanned aerial systems]. Available at: https://goo.su/lUDLE (accessed 17 April 2025).
11. Bespilotnye «Strely» vertoletnogo tipa [Unmanned “Arrows” of helicopter type], Arrow. 10.10.2021. Available at: https://goo.su/dFht (accessed 04 June 2025).
12. Glavnoe upravlenie MChS Rossii po Respublike Sakha (Yakutiya). Na vooruzhenii MChS Rossii – razvedyvatel'nyy bespilotnik «Orlan-10» [Main Directorate of the Ministry of Emergency Situations of Russia for the Republic of Sakha (Yakutia). The Orlan-10 reconnaissance drone is in service with the Russian Ministry of Emergency Situations]. Available at: https://goo.su/nvp4Szt (accessed 16 April 2025).
13. GJR Publication. Various Types of Sensors are Used for Forest Fires Detection, 2025. Available at: https://goo.su/2OaUruS (accessed 05 June 2025).
14. Srujan H.R., Srushti S.M., Gowda S.H., Sudhakara H.M. Forest Fire Detection using Optimized Solar Powered Zigbee Wireless Sensor Networks, International Journal of Advanced Research in Science Communication and Technology, 2024. December. Available at: https://doi.org/10.48175/IJARSCT-22808 (accessed 05 June 2025).
15. Indradjad A., Sunarmodo W., Salyasari N. Development of National Forest/Land Fire Monitoring Sys-tem Using Remote Sensing Satellite Data (Terra/Aqua MODIS and SNPP) by Automation and Nearly Real-time, IOP Conference Series: Earth and Environmental Science, 2019, Vol. 280, No. 1. Available at: https://doi.org/10.1088/1755-1315/280/1/012032 (accessed 03 May 2025).
16. Proekt «Strekoza» – letayushchaya pozharnaya mashina (BPLA) [Project “Strekoza” – flying fire engine (UAV)], National Technological Initiative. Available at: https://goo.su/Av3UU (accessed 06 June 2025).
17. Proekt «Strekoza»: letayushchaya pozharnaya mashina (BPLA) [Project “Strekoza”: flying fire-fighting vehicle (UAV)], University 2035. Available at: https://pt.2035.university/project/proekt-strekoza-letausaa-pozarnaa-masina-bpla (accessed 06 June 2025).
18. Zakvasin A., Strakhov D. «Operativnyy podkhod»: kak novye BPLA «Strekoza» mogut oblegchit' rabotu rossiyskikh pozharnykh [“Operational Approach”: How the new Strekoza UAVs can facilitate the work of Russian firefighters], RT in Russian, 2024. Available at: https://russian.rt.com/ rus-sia/article/1286390-bpla-pozhar-strekoza-nti (accessed 04 June 2025).
19. Geosalut. Monitoring lesnykh ugodiy s primeneniem BPLA [Geosalut. Monitoring of forest lands using UAVs], Company’s official website Geosalut. Available at: https://goo.su/GSsl (accessed
07 June 2025).
20. Geoscan. Sozdan pervyy otechestvennyy kompleks dlya videomonitoringa pozharnoy obstanovki s be-spilotnika v rezhime real'nogo vremeni. Available at: https://goo.su/LP37Ex (accessed 17 April 2025).
21. Tsentr bespilotnykh transportnykh sistem natsional'nyy issledovatel'skiy yadernyy universitet "MIFI". Innovatsionnaya tekhnologiya s ispol'zovaniem bespilotnykh letatel'nykh apparatov sposobstvuet ranne-mu vyyavleniyu lesnykh pozharov. Available at: https://goo.su/w8y18R2 (accessed 05 April 2025).
22. NASA Science Editorial Team. Through Smoke and Fire, NASA Searches for Answers, NASA, 2019. Available at: https://goo.su/xDDWQW (accessed 23 April 2025).
23. Lee S.J.J., Oh J., Choi J. Improved Fire Recognition in VTOL UAVs through Convolutional Neural Network Algorithms, Proceedings of the 6th International Conference on Advanced Natural Language Processing, 2025. Available at: https://doi.org/10.5121/csit.2025.150907 (accessed 03 June 2025).
24. Yandouzi M., Mohammed B., Grari M., Boukabous M., Moussaoui O., Azizi M., Ghoumid K., Elmiad A.K. Semantic segmentation and thermal imaging for forest fires detection and monitoring by drones, Bulletin of Electrical Engineering and Informatics, 2024, Vol. 13, No. 4. Available at: https://doi.org/ 10.11591/eei.v13i4.7663 (accessed 03 June 2025).
25. Li X., Wang X., Sun S., Wang Y., Li S., Li D. Predicting the Wildland Fire Spread Using a Mixed-Input CNN Model with Both Channel and Spatial Attention Mechanisms, Fire Technology, 2023, Vol. 59, № 3. Available at: https://doi.org/10.1007/s10694-023-01427-2 (accessed 03 June 2025).
26. Ranjani D., Santhi S. An Optimized Deep Learning Framework for Early Detection and Prevention of Forest Fires Using Advanced Training Techniques, 2025. Available at: https://doi.org/10.21203/ rs.3.rs-6734052/v1 (accessed 03 June 2025).
27. Rahman H.I., Saad A.F., Yani A. Drone Based Fire Detection System Based on Convolutional Neural Network, International Journal of Artificial Intelligence, 2024, Vol. 11, No. 1, pp. 26-36. Available at: https://doi.org/10.36079/lamintang.ijai-01101.669 (accessed 25 May 2025).
28. Kurasinski L., Tan J., Malekian R. Using Neural Networks to Detect Fire from Overhead Images, Wire-less Personal Communications, 2023, Vol. 130, No. 17, pp. 1-21. Available at: https://doi.org/10.1007/s11277-023-10321-7 (accessed 03 June 2025).
29. Evolonic GmbH. – URL: https://evolonic.de/ (accessed 07 June 2025).
30. Liu P., Zhang G. A Case Study on the Integration of Remote Sensing for Predicting Complicated Forest Fire Spread, Remote Sensing, 2024, Vol. 16, No. 21. Available at: https://doi.org/10.3390/rs16213969 (accessed 03 June 2025).
31. Ning J., Liu H., Yu W., Deng J., Sun L., Yang G., Wang M., Yu H. Comparison of Different Models to Simulate Forest Fire Spread: A Case Study, Forests, 2024, Vol. 15, No. 3. Available at: https://doi.org/10.3390/f15030563 (accessed 03 June 2025).
32. Meng Q., Lu H., Huai Y., Xu H., Yang S. Forest Fire Spread Simulation and Fire Extinguishing Visuali-zation Research, Forests, 2023, Vol. 14, No. 7. Available at: https://doi.org/10.3390/f14071371
(accessed 04 June 2025).
33. Shadrin D., Illarionova S., Gubanov F. et al. Wildfire spreading prediction using multimodal data and deep neural network approach, Scientific Reports, 2024, Vol. 14, No. 2606. Available at: https://doi.org/10.1038/s41598-024-52821-x (accessed 25 April 2025).
34. Pang B., Cheng S., Huang Y., Jin Y., Guo Y., Prentice I.C., Harrison S.P., Arcucci R. Fire-Image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data, Computers & Geosciences, 2025, Vol. 195. Available at: https://doi.org/10.1016/j.cageo.2024.105783 (accessed 03 May 2025).
35. Shaddy B., Ray D., Farguell A., Calaza V., Mandel J., Haley J., Hilburn K., Mallia D.V., Kochanski A., Oberai A. Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts, Artificial Intelligence for the Earth Systems, 2024, Vol. 3,
No. 3. Available at: https://doi.org/10.1175/AIES-D-23-0087.1 (accessed 08 June 2025).
36. Kale M., Meher S.S., Chavan M., Kumar V. et al. Operational Forest-Fire Spread Forecasting Using the WRF-SFIRE Model, Remote Sensing, 2024, Vol. 16, No. 13. Available at: https://doi.org/ 10.3390/rs16132480 (accessed 07 June 2025).
37. Gill F., Valencia A., Baker G. Prescribed Burns and UAV Drone Analysis: Towards a Coupled Wind-Fire Spread Model, Journal of Physics: Conference Series, 2024, Vol. 2885, No. 1. Available at: https://doi.org/10.1088/1742-6596/2885/1/012071 (accessed 07 June 2025).
38. Huang Y., Li J., Zheng H. Modeling of Wildfire Digital Twin: Research Progress in Detection, Simula-tion, and Prediction Techniques, Fire, 2024, Vol. 7, No. 11. Available at: https://doi.org/10.3390/ fire7110412 (accessed 07 June 2025).
39. NASA Science Editorial Team. NASA Wildfire Digital Twin Pioneers New AI Models and Streaming Data Techniques for Forecasting Fire and Smoke, NASA Science, 2024. Available at: https://goo.su/41cxT (accessed 07 June 2025).
40. Chen J., Yang Y. Measuring Fire Spread Rate with Digital Image Processing Method, In: Computational and Experimental Simulations in Engineering, 2023, P. 257-267. Available at: https://doi.org/10.1007/978-3-031-42987-3_19 (accessed 04 June 2025).
41. Andrews P.L. The Rothermel Surface Fire Spread Model and Associated Developments: A Comprehen-sive Explanation, Gen. Tech. Rep. RMRS‑GTR‑371. Fort Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station; 2018. Available at: https://doi.org/10.2737/RMRS-GTR-371 (accessed 08 June 2025).
42. Lesnye strazhi: kak sozdayutsya rossiyskie bespilotniki dlya bor'by s prirodnymi pozharami [Forest guards: how Russian drones are created to fight natural fires], Nauchnaya Rossiya [Scientific Russia], 2025. Available at: https://goo.su/2Wejwz (accessed 05 June 2025).
