Россия
УДК 630 Лесное хозяйство. Лесоводство
Разработана многозональная одномерная модель на основе одномерной Гауссовой модели возгорания в лесу Решена оптимизационная задача вычисления среднеинтегральной температуры в лесу с многозональным расположением огня. Показано, что при использовании гауссовой многозональной модели возгорания среднеинтегральная температура уменьшается с ростом дистанции от края до центра территории многозональных пожаров. Рассмотрена возможность применения одномерной Гауссовой модели однозонального расположения огня для раннего обнаружения возгорания в лесу по эмиссионным и абсорбционным признакам. Показано, что совместное использование этих признаков, в сочетании с Гауссовой моделью позволяет повысить чувствительность обнаружения возгорания в лесу. Предложен эмиссионно-абсорбционный метод раннего обнаружения лесных возгораний. Показано, что чувствительность обнаружения возгорания в предложенном методе выше, чем при одинарном использовании эмиссионного и адсорбционного методов. Предложен комплексный индекс- показатель пожаробезопасности лесов, учитывающий такие факторы как влагосодержание почвы, скорость ветра, высоту местности, отражательный спектр почвы и его зависимость от влагосодержания почвы. Отмечен экстремальный характер предложенного комплексного индекса в зависимости от влагосодержания почвы. Это свойство позволяет сбалансировать доли повышения пожарной безопасности за счет частных критериев безопасности (принцип Парето оптимизации) для достижения максимальной достоверности полученной суммарно-взвешенной оценки
моделирование лесные пожары; эмиссионно-абсорбционный способ, раннее обнаружение лесных пожаров, многокритериальная оптимизация, чувствительность
1. Crutzen, P.J., L.E. Heidt, J.P. Krasnec, W.H. Pollock, and W. Seiler, 1979, Biomass burning as a source of atmospheric gases: CO, H2, N20, NO, CH3C1, and COS, Nature, 282:253-256.
2. Crutzen, P. J. and M. O. Andreae, 1990, Biomass burning in the tropics: impact on atmospheric chemistry and biogeochemical cycles, Science, 250:1669-1678.
3. Kaufman, Y. J., A. Setzer, D. Ward, D. Tanre, B. N. Holben, P. Menzel, M. C. Pereira and R. Rasmussen, 1992, Biomass Burning Airborne and Spaceborne Experiment in the Amazonas (BASE-A). J. Geophysical Res., 97:14581-14599.
4. Radke L. F., Hegg D. A., Hobbs P. V., Dance J. D., Lyons J. H., et al. Particulate and trace gas emissions from large biomass fires in North America// Global biomass burning. Pp. 209-224. Cambridge, Mass. 1991.
5. Penner, J. E., R. E. Dickenson, and C. A. ONeill, 1992: Effects of aerosol from biomass burning on the global radiation budget. Science, 256:1432-1434.
6. N.L. Kazanskiy, R.V. Skidanov, A.V. Nikonorov and L.L. Doskolovich, Intelligent video systems for unmanned aerial vehicles based on diffractive optics and deep learning. Proc. SPIE 11516(115161Q), (2020).
7. F. Ferreira-Leite, A. Bento-Goncalves, A. Vieira, A. Nunes, and L. Lourenco. Incidence and Recurrence of Large Forest Fires in Mainland Portugal . Natural Hazards 84, 1035- 1053 (2016)
8. AT Guriev and RA Aleshko, Adapting the combined database of cartographic and attribute information of forest plantations by automating remote sensing data interpretation. Earth From Space-The most effective solutions, pp. 233-234, (2009).
9. R. Ramakrishna, M. Rajeevan, and S. Ramakrishna, “Pre-diction of severe thunderstorms over Sriharikota Island byusing the WRF-ARW operational model,” SPIE Proceedings,vol. 9882, Article ID 988214, 2016.
10. R. HussinM and R. Juhari, “Detection using image processingbased techniques,” Indian Journal of Computer Science andEngineering, vol. 41, 2012.
11. F. Guede-Fern´andez, L. Martins, R. V. de Almeida,H. Gamboa, and P. Vieira, “A deep learning based objectidentification system for forest fire detection,” Fire, vol. 4,no. 4, p. 75, 2021.
12. Β. Butler and J. Cohen, “Firefighter Safety Zones: A Theoretical Model Based on Radiative Heating”. Int. J. Wildland Fire 8(2):73-77, 1998.
13. W. Pitts, E. Braun, R. Peacock, H. Mitler, E. Johnsson, P. Reneke, L. Blevins, “Temperature Uncertainties for Bare-Bead and Aspirated Thermocouple Measurements in Fire Environments,” In Proc. Annual Conference on Fire Research, Nov. 1999, pp.15-16.
14. F. Kurt, “Prometheus Fire Growth Model: Design and Incorpo-ration of Spotting and Breaching of Fire Break Functionality,” in Post-Fire Research Workshop April 27, 2005.
15. Manolakos E. S., Manatakis D. V., Xanthopoulos G. Temperature field modeling and simulation of wireless sensor network behavior during a spreading wildfire// 16th European signal conference (EUSIPCO 2008). Lausanne, Switzerland. August 25-29. 2008.
16. Эльсгольц Л. Э. Дифференциальные уравнения и вариационные исчисление. М. Наука. 1974. Стр. 432.
17. Dennison P.E. (2006). Fire detection in imaging spectrometer data using atmospheric carbon dioxide absorption. International Journal of Remote Sensing, 27, 3049-3055.
18. Carnicer J., Alegria A., Kopoulos C. G., Giuseppe F. D., Karali A., Koutsias N., et al. Global warming is shifting the relationships between fire weather and realized fire induced CO2 emissions in Europe// Scientific Reports. 2022. 12.10365. https://doi.org/10.1038/s41598-022-14480-8.
19. Carrega, P. & Jeronino, N. (2007) Risque météorologique d’incendie de forêt et méthodes de spatialisation pour une cartographie à fine échelle. Actes du XXeme colloque international de l’AIC , 168-173.
20. Allen, R.G., Pereira, L.S., Raes, D. & Smith, M. ( (1998) Crop evapotranspiration. Guidelines for computing crop water requirements. Irr. & Drain. Paper 56, UN-FAO, Rome .
21. Jibo Y., Tian Q. Development of soil moisture indices from differences in water absorption between shortwave-infrared bands// ISPRS Journal of photogrammetry and remote sensing. July 2019.
22. Leng, P., Li, Z.L., Duan, S.B., Gao, M.F., Huo, H.Y., 2017. A practical approach for deriving all-weather soil moisture 659 content using combined satellite and meteorological data. ISPRS J. Photogramm. Remote Sens. 131, 40–51. https://doi.org/10.1016/j.isprsjprs.2017.07.013
23. Wolka, K., Mulder, J., Biazin, B., 2018. Effects of soil and water conservation techniques on crop yield, runoff and soil loss in Sub-Saharan Africa: A review. Agric. Water Manag. 207, 67–79. https://doi.org/10.1016/j.agwat.2018.05.016.
24. Zhang, D., Zhou, G., 2016. Estimation of soil moisture from optical and thermal remote sensing: a review. Sensors 16, 1-29. https://doi.org/10.3390/s16081308.
25. Zhang, C., Mishra, D.R., Pennings, S.C., 2019. Mapping salt marsh soil properties using imaging spectroscopy. ISPRS J. Photogramm. Remote Sens. 148, 221–234. https://doi.org/10.1016/j.isprsjprs.2019.01.006.
26. Kumar, S. V., Dirmeyer, P.A., Peters-Lidard, C.D., Bindlish, R., Bolten, J., 2018. Information theoretic evaluation of satellite soil moisture retrievals. Remote Sens. Environ. 204, 392–400. https://doi.org/10.1016/j.rse.2017.10.016.
27. Whalley, W.R., Leedsharrison, P.B., Bowman, G.E., 1991. Estimation of Soil Moisture Status Using Near Infrared Reflectance. Hydrol. Process. 5, 321–327. https://doi.org/10.1002/hyp.3360050312.
28. Haubrock, S.N., Chabrillat, S., Lemmnitz, C., Kaufmann, H., 2008. Surface soil moisture quantification models from reflectance data under field conditions. Int. J. Remote Sens. 29, 3–29. https://doi.org/10.1080/01431160701294695.
29. Fabre, S., Briottet, X., Lesaignoux, A., 2015. Estimation of soil moisture content from the spectral reflectance of bare soils in the 0.4–2.5 μm domain. Sensors (Switzerland) 15, 3262–3281. https://doi.org/10.3390/s150203262.
30. Fu, P., Weng, Q., 2018. Variability in annual temperature cycle in the urban areas of the United States as revealed by MODIS imagery. ISPRS J. Photogramm. Remote Sens. 146, 65–73. https://doi.org/10.1016/j.isprsjprs.2018.09.003.
31. Lobell, D.B., Asner, G.P., 2002. Moisture effects on soil reflectance. Soil Sci. Soc. Am. J. 66, 722–727. https://doi.org/10.2136/sssaj2002.7220.
