Using a case-based approach to predict the risk of forest fires

Abstract

Природные и техногенные пожары остаются серьезной угрозой для людей и инфраструктуры Прибайкальской природной территории. При этом необходимо отметить важность решения задач не только мониторинга, но и прогнозирования опасности природных пожаров в зависимости от метеоданных, сезонов и территориальной инфраструктуры на основе данных дистанционного зондирования Земли. В статье рассмотрены основные этапы решения задачи прогнозирования риска лесных пожаров на основе прецедентного подхода, включая предобработку данных, формирование модели прецедента, создание прототипа прецедентной экспертной системы, ее отладку и интеграцию в веб-сервис мониторинга лесных пожаров, а также оценку эффективности его работы. В качестве исходных данных использовалась информация о пожарах на территории Иркутской области за период с 2017 по 2020 г. Апробация подхода осуществлена для Казачинско-Ленского и Бодайбинского лесничеств. По результатам оценки сделан вывод о необходимости применения комплекса разных методов (интеллектуального анализа данных, нейронных сетей) для более точного прогнозирования. Natural and man-made fires remain a hazard for both people and infrastructure of the Baikal natural territory. At the same time, it is necessary to note the importance of solving not only the problem of monitoring, but also the problem of predicting the hazard of natural fires depending on weather data, seasons and territorial infrastructure based on remote sensing data of the earth. The paper discusses the main stages of predicting the risk of forest fires based on a case-based approach, including: data post processing, the formation of a case model, the creation of a prototype of a case- based expert system, its debugging and integration into a web service for monitoring forest fires and evaluating the effectiveness of its operation. Information on fires in the Irkutsk Region for the period from 2017 to 2020 was used as the initial data. Approbation of the approach was carried out for the Kazachinsko-Lena and Bodaibinsky forestries. Based on the results of the evaluation, it was concluded that it is necessary to use a complex of different methods (data mining, neural networks) for more accurate forecasting.