Russian Federation
UDK 33 Экономика. Народное хозяйство. Экономические науки
Examples of processing and verifying the reliability of some statistical environmental data of the Baikal region are presented in this work. Specific algorithm is proposed for small volume statistical sampling for determining reliability using a linear probabilistic model, which is converted into a logit model to obtain a result with a given level of significance. Some examples of large volume statistics are given. These statistics are converted by regression analysis and algorithms of interpolation formulas. The main task is formed of main dependence between some main parameters of wildfires in the selected region with a given reliability. In this article the field covered will be recommended to one such class of statistical procedures, namely that found in covariance analysis. Considerable progress can be made in modelling natural anomalies and anthropogenic-technogenic factors if a degree of constraint is introduced the covariance analysis. The presented statistical procedures together with other methods of forecasting natural anomalies, for example, methods of dendrochronology, correlation and spectral analysis, etc., allow predicting the main parameters of fires in the studied region with a given reliability. Such these methods can be applied in range of environmental real programs containing the necessary volumes and concentration areas fire protection in the logistics centers of the Ministry of Emergency Situations of Russia. The current realization of presented statistical procedures relies on the computer methods of Mathcad.
Ecology, Baikal region, fires, statistical methods, forecasting
Введение
Лесные пожары являются стихийным бедствием всемирного масштаба. Статистика количества крупных возгораний, площади, пройденной огнем, причиненного ущерба и других параметров этого экологического бедствия, повторяемого из года в год, соизмерима для всех стран, на территории которых расположены крупные лесные массивы. В Северной Америке в Канаде и США последние пять лет наблюдается тенденция возрастания масштабов лесных пожаров. Например, в Британской Колумбии, Альберте, Северных территориях и др. по статистическим данным в 2017 году сгорело более 1млн 210тыс га лесов [13,14,15]. Ущерб от лесных пожаров за период 2019-2020 г.г. в Австралии и Амазонии наблюдался на площади 18 млн. га. В Индии только исследованные площади лесных пожаров составили более 530 тыс. га [16]. На территории Российской Федерации статистические данные последних пяти лет свидетельствуют о варьировании числа лесных пожаров от 400 до 1600 тыс., величины площади пройденной огнем - от 500тыс. до 2.0 млн. га в год [7]. Следует согласиться с вышеназванными авторами, что если деревья будут уничтожены, тогда у нашей Земли не будет будущего.
Выделяются природные (грозовые разряды, самовозгорание торфяников и др.) и антропогенные (очаги возгораний от не потушенных костров, палы травяного покрова, поджоги и др.) факторы возникновения лесных пожаров. Ущерб от лесных пожаров на территории РФ исчисляется сотнями миллиардов рублей [7]. В настоящее время реализуются проекты оптимального лесопользования. Противопожарные технологии для сохранения лесных объектов на ограниченной территории (в рамках одного лесничества) представлены в [10]. Своевременное обследование лесных массивов (актуализация изменений в лесном фонде), планирование и выполнение лесозащитных мероприятий позволило снизить угрозу возникновения очагов возгораний более, чем на 50%. Достоверное прогнозирование динамики действующего лесного пожара существенно облегчает задачу его ликвидации. Теоретически теплофизическая задача распространения границы огня в массиве леса является многопараметрической и требует наличия широкого спектра исходных данных. В работах [13,15] рассмотрены наиболее широко применяемые на практике модели динамики лесных пожаров (Van Wagner, Rothermel, Finney и др.). В исследовании [16] проведено сравнение логистической регрессии и нейронной сети для прогнозирования пространственного распространения возгорания лесных пожаров на конкретном примере. Авторами предложен инструмент, включающий прогностическую модель нейронной сети на основе данных о погоде и исторических данных. Показана эффективность модели двоичной классификации на основе адаптивной нейро-нечеткой системе вывода с различными алгоритмами оптимизации при наличии данных о пожарах в конкретных областях. Реализован алгоритм прогнозного моделирования лесных пожаров с использованием данных о площади пожаров, климата, геопространственных данных за ограниченный исторический период применительно к трем конкретным ландшафтам в Индии. В работе [10] автором сформирована модель распространения лесных пожаров, которая распознает данные из последовательных изображений. Модель включает в себя элементы интеллектуальности, основанные на реализации подсистем, генерирующих изображение с прогнозом его динамики.
1. Veroyatnost' i matematicheskaya statistika: Enciklopediya /Gl. red. Yu.V. Prohorov. - M.: Bol'shaya Rossiyskaya enciklopediya, 1999.-910s.
2. Timofeeva S.S., Garmyshev V.V. Ekologicheskie posledstviya lesnyh pozharov na territorii Irkutskoy oblasti. Ekologiya i promyshlennost' Rossii, 2017,t.21,№3,s.46-49. . DOI: https://doi.org/10.18412/1816-0395-2017-3-46-49
3. Shubkin R. G. Metod dendrohronologii vyyavleniya krupnomasshtabnyh lesnyh pozharov i gradaciy hvoegryzuschih nasekomyh / Shubkin R. G., Oskolkov V. A, Voronin V. I. //Lesn hoz-vo - 2006-№2-S 45-47.
4. Volokitina A.V., Sofronova T.M., Korec M.A. Prognozirovanie povedeniya pozharov rastitel'nosti // Izv. vuzov. Lesn. zhurn. 2020. № 1. S. 9-25. DOI:https://doi.org/10.37482/0536-1036-2020-1-9-25
5. Shubkin R.G., Shirinkin P.V., Rezul'taty dolgosrochnogo prognozirovaniya krupnomasshtabnyh lesnyh pozharov v Baykal'skom regione. //Nauchno-analiticheskiy zhurnal: «Sibirskiy pozharno-spasatel'nyy vestnik». 2016. № 3. S.35-38.
6. Makarov E.G. Inzhenernye raschety v Mathcad 14 (+CD). - SPb.: Piter.2007.- 592s.
7. Medvedeva A. V. Lesnye pozhary kak ekologicheskaya problema / Molodoy uchenyy. - 2020. - № 18 (308). - S. 223-224. - URL: https://moluch.ru/archive/308/69458/ (data obrascheniya: 02.03.2023).
8. Ivanova, G. A., i V. A. Ivanov. Zonal'nost' lesnyh goryuchih materialov i ih pirogennaya transformaciya v sosnyakah Sredney Sibiri. Lesnoy zhurnal, vyp. 4, avgust 2020 g., ss. 9-26, doihttps://doi.org/10.37482/0536-1036-2020-4-9-26.
9. Stankevich, T. S. Prognozirovanie prostranstvennogo povedeniya lesnogo pozhara pri neopredelennosti i nestacionarnosti processa. Lesnoy zhurnal, vyp. 1, fevral' 2021 g., ss. 20-34, doihttps://doi.org/10.37482/0536-1036-2021-1-20-34.
10. Ivanov, V. P., S. I. Marchenko, i D. I. Nartov. Protivopozharnaya profilaktika lesnyh ob'ektov. Lesnoy zhurnal, vyp. 3, iyun' 2019 g., s. 43, doihttps://doi.org/10.37482/0536-1036-2019-3-43.
11. Larionov V.G., Larichkin V.V., Sazhin I.A. (2021) / V.G. Larionov, Larichkin V.V., I.A. Sazhin // Primer varianta kontrollinga obschestvennym ekologicheskim fondom sostoyaniya atmosfernogo vozduha. Vestnik Yuzhno-Rossiyskogo Gosudarstvennogo Tehnicheskogo Universiteta (Novocherkasskogo Politehnicheskogo Instituta. Seriya: Social'no-Ekonomicheskie Nauki. - 2019. - № 4. - S. 62-68. DOI: https://doi.org/10.17213/2075-2067-2019-4-62-68.
12. Novosti Irkutskoy oblasti i Baykal'skogo regiona. 11marta 2023. Teleinform. .i38.ru. (data obrascheniya 12 marta 2023g.)
13. Sean C.P. Coogan, Francois-Nicolas Robinne, Piyush Jain, Mike D. Flannigan. Scientists warning on wildfire - a Canada perspective. Canadian Journal of Forest Reseach. Vol. 49, № 9, September 2019, 1015-1023. DOI: http://doi.org/10.1139/cifr-2019-0094.
14. Statistics Canada.2019. Fort McMurray 2016 wildfire-economic impact. Available from http://www150.statcom.ge.ca/ nl/en/cataloge/11-627-M2017007(accessed 15 January 2019).
15. Sherry. J, Neale. T., McGee. T.K. and Sharpe. M. 2019 Rethinking the maps: a case study of knowledge incorporation in Canada wildfire risk management and planning. J. Environ.Manage.234: 494-502. DOIhttps://doi.org/10.1016/j.jenvman.2018.12.116.
16. Shahrzad Gholami, Narendran Kodandapani, Jane Wang, Juan Lavista Fesses. Where there is Smoke, there is Fire: Wildfire Risk Predictive Modeling via Historical Climate Data. The Thirty-Fifth AAAI Conference on Artifical Intellegence (AAAI-21), 15309-15315. DOIhttps://doi.org/10.1609/AAAI.V35117.17797.
