ДОЛГОСРОЧНОЕ ГЕОИНФОРМАЦИОННОЕ МОДЕЛИРОВАНИЕ РИСКА ЛЕСНЫХ ПОЖАРОВ В РЕСПУБЛИКЕ САХА (РОССИЙСКАЯ ФЕДЕРАЦИЯ)

В статье рассматриваются особенности лесных пожаров в России и Якутии, их роль в глобальном потеплении климата и факторы, влияющие на лесные пожары. Предлагается структура ГИС для мониторинга лесных пожаров. Исходными материалами были спутниковые снимки различного пространственного и спектрального разрешения (Landsat 5, Modis TERRA, GMTED2010, VIIRS), векторные данные (NextGIS), различные метеорологические данные (WORLDCLIM), результаты экспедиций и обследования местного населения. Впервые были разработаны структура и ГИС база данных пожаров за 2001-2018 годы для территории Якутии, которые содержат информацию о рельефе, климате, горючих материалах и антропогенной деятельности. Впервые на основе анализа литературных источников и мирового опыта оценки риска лесных пожаров были разработаны метод определения факторов, влияющих на пожарный риск в макро и микро масштабе, а также методика определения этого риска на территории Республики Саха (Якутия), используя искусственный интеллект и машинное обучение.

лесные пожары, дистанционное зондирование, моделирование рисков лесных пожаров, ГИС, мультимасштабный анализ, Якутия, Сибирь, искусственный интеллект, машинное обучение, случайный лес

1. Kasischke, E.S. Fire, climate change, and carbon cycling in the boreal forest. Vol. 138. - Springer Science & Business Media, 2012. - 464 p.

2. Troeva, E.I. The Far North: Plant Biodiversity and Ecology of Yakutia. Vol. 3. / E.I. Troeva, A.P. Isaev, M.M. Cherosov, N.S. Karpov // Springer Science & Business Media, 2010. - 385 p.

3. San-Miguel-Ayanz, J. Current methods to assess fire danger potential / J. San-Miguel-Ayanz, J.D. Carlson, M. Alexander, K. Tolhurst, G. Morgan, R. Sneeuwjagt, M. Dudley // Wildland fire danger estimation and mapping: The role of remote sensing data. - 2003. - P. 21-61.

4. Жданко В.A., Гриценко В.А. Метод анализа лесопожарных сезонов: практические рекомендации. - Л.: ЛНИИЛХ, 1980. - 19 с.

5. Gralewicz, N. J. Factors influencing national scale wildfire susceptibility in Canada / N.J. Gralewicz, T.A. Nelson, M.A. Wulder // Forest Ecology and Management. - 2012. - Vol. 265. - P. 20-29.

6. Davies, D.K. Fire information for resource management system: archiving and distributing MODIS active fire data / D.K. Davies, S.Ilavajhala, M.M. Wong, C.O. Justice // IEEE Transactions on Geoscience and Remote Sensing. - 2009. - Vol. 47, No. 1. - P. 72-79.

7. Fick, S.E. WorldClim 2: new 1 km2 spatial resolution climate surfaces for global land areas / S.E. Fick, R.J. Hijmans, J. Robert // International Journal of Climatology. - 2017. - Vol. 37, No. 12. - P. 4302-4315.

8. Goward, C.R. Expression and purification of a truncated recombinant streptococcal protein G / C.R. Goward, J.P. Murphy, T. Atkinson, D.A. Barstow // Biochemical Journal. - 1990. - Vol. 267, No. 1. - P. 171-177.

9. Illera, P. Temporal evolution of the NDVI as an indicator of forest fire danger / P. Illera, A. Fernandez, J.A. Delgado // International Journal of remote sensing. - 1996. - Vol. 17, No. 6. - P. 1093-1105.

10. Parisien, M.A. Environmental controls on the distribution of wildfire at multiple spatial scales / M.A. Parisien, M.A. Mortiz // Ecological Monographs. - 2009. - Vol. 79, No. 1. - P. 127-154.

11. Renard Q. Environmental susceptibility model for predicting forest fire occurrence in the western Ghats of India / Q. Renard, R. Pelissier, B.R. Ramesh, N. Kodandapani // International Journal of Wildland Fire. - 2012. - Vol. 21, No. 4. - P. 368-379.

12. Cutler, D.R. Random forests for classification in ecology / D. R. Cutler, et al. // Ecology. - 2007. - Vol. 88, No. 11. - P. 2783-2792.

13. Cortez, P.A., Morais, A.D. J.R. Data mining approach to predict forest fires using meteorological data // New trends in artificial intelligence: proceedings of the 13th Portuguese Conference on Artificial Intelligence (EPIA 2007).- 2007. - P. 512-523.