Россия
УДК 33 Экономика. Народное хозяйство. Экономические науки
В представленной работе рассмотрены примеры обработки, проверки достоверности некоторых статистических экологических данных Байкальского региона. Для выборок малого объема предложен алгоритм определения достоверности с помощью линейной вероятностной модели, которая преобразуется в logit-модель для получения результата с заданным уровнем значимости. Рассмотрены примеры обработки статистик большого объема с помощью регрессионного анализа и алгоритмов формирования интерполяционных формул с целью определения общих закономерностей развития основных параметров природных пожаров в выбранном регионе с заданной достоверностью. Показана целесообразность преобразования полученных статистических моделей методами ковариационного анализа, с помощью которых моделируются природные аномалии и антропогенно-техногенные факторы. Представленные статистические процедуры совместно с другими методами прогнозирования природных аномалий, например, методами дендрохронологии, корреляционного и спектрального анализа и др., позволяют с заданной достоверностью предсказать основные параметры пожаров в исследуемом регионе. Также эти процедуры могут быть применены в природоохранных проектах при планировании необходимых объемов и районов сосредоточения центров материально-технического обеспечения пожарной охраны Министерства по Чрезвычайным Ситуациям России. Предложенные алгоритмы реализованы в вычислительной среде Mathcad и применимы для других регионов при наличии достоверных исходных данных.
Экология, Байкальский регион, пожары, статистические методы, прогнозирование
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. Вероятность и математическая статистика: Энциклопедия /Гл. ред. Ю.В. Прохоров. - М.: Большая Российская энциклопедия, 1999.-910с.
2. Тимофеева С.С., Гармышев В.В. Экологические последствия лесных пожаров на территории Иркутской области. Экология и промышленность России, 2017,т.21,№3,с.46-49. . DOI: https://doi.org/10.18412/1816-0395-2017-3-46-49
3. Шубкин Р. Г. Метод дендрохронологии выявления крупномасштабных лесных пожаров и градаций хвоегрызущих насекомых / Шубкин Р. Г., Осколков В. А, Воронин В. И. //Лесн хоз-во - 2006-№2-С 45-47.
4. Волокитина А.В., Софронова Т.М., Корец М.А. Прогнозирование поведения пожаров растительности // Изв. вузов. Лесн. журн. 2020. № 1. С. 9-25. DOI:https://doi.org/10.37482/0536-1036-2020-1-9-25
5. Шубкин Р.Г., Ширинкин П.В., Результаты долгосрочного прогнозирования крупномасштабных лесных пожаров в Байкальском регионе. //Научно-аналитический журнал: «Сибирский пожарно-спасательный вестник». 2016. № 3. С.35-38.
6. Макаров Е.Г. Инженерные расчеты в Mathcad 14 (+CD). - СПб.: Питер.2007.- 592с.
7. Медведева А. В. Лесные пожары как экологическая проблема / Молодой ученый. - 2020. - № 18 (308). - С. 223-224. - URL: https://moluch.ru/archive/308/69458/ (дата обращения: 02.03.2023).
8. Иванова, Г. А., и В. А. Иванов. Зональность лесных горючих материалов и их пирогенная трансформация в сосняках Средней Сибири. Лесной журнал, вып. 4, август 2020 г., сс. 9-26, doihttps://doi.org/10.37482/0536-1036-2020-4-9-26.
9. Станкевич, Т. С. Прогнозирование пространственного поведения лесного пожара при неопределенности и нестационарности процесса. Лесной журнал, вып. 1, февраль 2021 г., сс. 20-34, doihttps://doi.org/10.37482/0536-1036-2021-1-20-34.
10. Иванов, В. П., С. И. Марченко, и Д. И. Нартов. Противопожарная профилактика лесных объектов. Лесной журнал, вып. 3, июнь 2019 г., с. 43, doihttps://doi.org/10.37482/0536-1036-2019-3-43.
11. Ларионов В.Г., Ларичкин В.В., Сажин И.А. (2021) / В.Г. Ларионов, Ларичкин В.В., И.А. Сажин // Пример варианта контроллинга общественным экологическим фондом состояния атмосферного воздуха. Вестник Южно-Российского Государственного Технического Университета (Новочеркасского Политехнического Института. Серия: Социально-Экономические Науки. - 2019. - № 4. - С. 62-68. DOI: https://doi.org/10.17213/2075-2067-2019-4-62-68.
12. Новости Иркутской области и Байкальского региона. 11марта 2023. Телеинформ. .i38.ru. (дата обращения 12 марта 2023г.)
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.
