Конференции ИВТ СО РАН

VIII Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям

27 - 29 ноября 2007 года, Новосибирск

Тезисы докладов

Информационные технологии

К вопросу о создании системы усвоения данных об уровне антропогенной нагрузки на контролируемые лесопокрытые территории

Барановский Н.В.

ОСП Научно-исследовательский институт прикладной математики и механики Томского государственного университета (Томск)

Лесная пожарная опасность зависит от свойств лесного горючего материала (ЛГМ), метеорологических условий, антропогенной нагрузки и грозовой активности. Ранее разработаны детерминированно-вероятностные критерии оценки лесной пожарной опасности [1,2], которые учитывают эти факторы. Свойства ЛГМ и влияние метеорологических условий учитывается при моделировании сушки слоя ЛГМ [3]. Значение антропогенного фактора увеличивается с каждым годом. В настоящий момент вероятности посещения лесной территории населением и наличия источников огня оцениваются по статистическим данным. Такие данные известны для достаточно крупной территории (скажем лесничества или всего лесхоза). Необходим учет этих факторов на уровне минимальной лесотаксационной единицы – выдела.

В настоящий момент принято проводить пространственно-временную обработку данных с привлечением прогностических моделей для описания распределения метеополей во времени и пространстве [4]. Задачу совместного учета данных наблюдений и прогностической модели для наиболее точного описания пространственно-временного распределения метеополей принято называть задачей усвоения данных (в зарубежной литературе data assimilation) [5]. В океанологии [6], в области оценки загрязнения окружающего воздуха [7] также применяются так называемые системы усвоения данных. В последнее время подобные системы разрабатываются и в других областях, например, медицине [8].

Цель исследования – разработать систему усвоения данных об уровне антропогенной нагрузки (СУДАН) на контролируемой лесопокрытой территории для нужд охраны лесов от пожаров.

В настоящей работе представлены математические основы создания такой системы. Рассматриваются различные источники антропогенной нагрузки – точечный (например, единичный населенный пункт), линейный (например, крупная автомагистраль) [9] и площадной (например, крупная агломерация населенных пунктов). В литературе есть факты, которые позволяют рассмотреть антропогенную нагрузку как детерминированный процесс. Авторы [10] утверждают, что процессы принятия решений и поведения, несмотря на влияние многообразных факторов, не являются случайными, так как всем людям присущи общие реакции на информацию о структуре и качествах пространства, общие механизмы восприятия этой информации для принятия решения. Люди со сходными полями информации проявляют сходные предпочтения мест отдыха, то есть ведут себя в географическом пространстве почти одинаково.

Многие системы усвоения данных используют какие-либо технологии интерполяции [11]. В настоящей работе применяются методы сплайн-интерполяции [12] для получения пространственных распределений параметров характеризующих антропогенную нагрузку (в первом приближении так сказать) [9]. Обсуждаются вопросы разработки прогнозной модели антропогенной нагрузки. Следует заметить, что детали реализации СУДАН могут отличаться от реализации систем усвоения данных, например, в метеорологии.

Литература
1. Барановский Н.В. Математическое моделирование наиболее вероятных сценариев и условий возникновения лесных пожаров. Дисс. … канд. физ.-мат. наук. Томск: Томский государственный университет. 2007. 153 С.
2. Барановский Н.В. Влияние антропогенной нагрузки и грозовой активности на вероятность возникновения лесных пожаров // Сибирский экологический журнал, 2004. № 6, с. 835-842.
3. Гришин А.М., Барановский Н.В. Сравнительный анализ простых моделей сушки слоя ЛГМ, включая данные экспериментов и натурных наблюдений //Инженерно-физический журнал, 2003, Т. 76. № 5, С. 166-169.
4. Ghil M., Malanotte-Rizzolli P. Data assimilation in meteorology and oceanography // Advances in Geophysics. 1991. Vol. 33. P. 141 – 266.
5. Климова Е.Г. Восстановление метеорологических полей по данным наблюдений. Дисс. … д-ра физ.-мат. наук. Новосибирск: ИВТ СО РАН. 2005. 233 С.
6. Molcard A., Poje A.C., Ozgokmen T.M. Directed drifter launch strategies for Lagrangian data assimilation using hyperbolic trajectories // Ocean Modelling. 2006. Vol. 12. N 3-4. P. 268 – 289.
7. Климова Е.Г., Киланова Н.В. Численные эксперименты по оценке эмиссии метана на основе системы усвоения данных о пассивной примеси в атмосфере Северного полушария // Оптика атмосферы и океана. 2006. Т. 19. № 11. С. 961 – 964.
8. Sermesant S., Moirreau P., Camara O., Sainte-Marie J., Andriantsimiavona R., Cimrman R., Hill D.L.G., Chapelle D., Razavi R. Cardiac function estimation from MRI using a heart model and data assimilation: Advances and difficulties // Medical Image Analysis. 2006. Vol. 10. N 4. P. 642 – 656.
9. Барановский Н.В. Модель компандер-экспандер для системы усвоения данных об уровне антропогенной нагрузки на контолируемой лесопокрытой территории. // Современные проблемы информатизации в моделировании и анализе сложных систем: Сб. трудов. Вып. 12 / Под ред. д.т.н., проф. О.Я. Кравца. Воронеж: “Научная книга”, 2007. С. 149 – 152.
10. Андреев Ю.А., Ларченко Г.Ф. Социально-психологические аспекты рекреационных посещений леса и возникновение пожаров. // Лесные пожары и борьба с ними. М.: ВНИИЛМ, 1987. С. 251-263.
11. Flemming J., Reimer E., Stern R.. Data assimilation for CT-Modelling based on optimum interpolation // Preprints of 25th NATO/CCMS International Technical Meeting on Air Pollution Modelling and its Application. Belgium, Louvain-la-Neuve: Catholic University of Louvain. 2001. P. 173 – 1180.
12. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. – М.: БИНОМ. Лаборатория знаний, 2004. 636 С.

Примечание. Тезисы докладов публикуются в авторской редакции

Ваши комментарии
Обратная связь

[Головная страница]
[Конференции]