Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 5. С. 9-27

Возможности применения данных спутникового мониторинга для моделирования динамики развития природных пожаров

С.А. Хвостиков 1, 2 , С.А. Барталев 1, 2 
1 Институт космических исследований РАН, Москва, Россия
2 Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
Одобрена к печати: 11.09.2021
DOI: 10.21046/2070-7401-2021-18-5-9-27
Моделирование динамики развития природных пожаров позволяет оценивать вызываемые ими угрозы и может стать важным элементом поддержки принятия решений при борьбе с огнём. Современные модели развития природных пожаров способны адекватно прогнозировать распространения огня при наличии оперативно актуализируемых данных об условиях горения и текущем состоянии пожара. Многие необходимые для моделирования природных пожаров характеристики могут быть оценены методами дистанционного зондирования Земли (ДЗЗ) со спутников, вопросы применения которых в соответствующих моделях рассмотрены в статье. Представленная обзорная статья включает краткое описание методов моделирования развития природных пожаров и подходов к их дистанционному мониторингу в совокупности с оценкой условий горения. Отмечается, что данные ДЗЗ позволяют оценивать динамику пожара на любом участке земной поверхности, обеспечивая возможность построения глобальных и региональных систем прогнозирования вызываемых ими угроз. Прогресс в области моделирования и развитие систем спутникового мониторинга очагов горения существенно расширили возможности оценки точности и настройки моделей динамики пожаров. Сравнение модельных оценок и результатов фактических наблюдений лежит в основе развития перспективного подхода, основанного на ассимиляции данных ДЗЗ в модели распространения природных пожаров, способного повысить точность прогнозирования их динамики.
Ключевые слова: моделирование развития природных пожаров, очаги горения, гари, классификация, оценка точности, ассимиляция данных
Полный текст

Список литературы:

  1. Акимов В. А., Алексеенко Я. В., Епихин А. В., Карташев В. И., Краминцев А. П., Кудинов А. А., Курбатов М. Ю., Леденцев С. А., Ротару А. Н., Савельев М. И., Шабуневич А.В, Шабуневич В. И. Наземно-космический мониторинг чрезвычайных ситуаций. М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2016. 128 с.
  2. Барталев С. А., Егоров В. А., Крылов А. М., Стыценко Ф. В., Ховратович Т. С. Исследование возможностей оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 3. С. 215–225.
  3. Барталев С. А., Егоров В. А., Ефремов В. Ю., Лупян Е. А., Стыценко Ф. В., Флитман Е. В. Оценка площади пожаров на основе комплексирования спутниковых данных различного пространственного разрешения MODIS и Landsat-TM/ETM+ // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 2. С. 9–27.
  4. Барталев С. А., Лупян Е. А., Стыценко Ф. В., Панова О. Ю., Ефремов В. Ю. Экспресс-картографирование повреждений лесов России пожарами по спутниковым данным Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 1. С. 9–20.
  5. Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А. Состояние и перспективы развития методов спутникового картографирования растительного покрова России // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 203–221.
  6. Волокитина А. В., Софронова Т. М., Корец М. А. Прогнозирование поведения пожаров растительности // Изв. высш. учеб. заведений. Лесной журн. 2020. № 1. C. 9–25. DOI: 10.37482/0536-1036-2020-1-9-25.
  7. Гришин А. М. Математические модели лесных пожаров. Томск: Изд-во Томского ун-та, 1981. 278 с.
  8. Гришин А. М., Пененко В. В. Математическое моделирование лесных пожаров и новые способы борьбы с ними. Новосибирск: Наука, 1992. 404 с.
  9. Доррер Г. А. Динамика лесных пожаров. Новосибирск: Изд-во Сибирского отд-ния РАН, 2008. 403 с.
  10. Доррер Г. А., Коморовский В. С., Якимов С. П. Методика оценки и прогнозирования параметров крупных лесных пожаров на основе спутниковой информации // Хвойные бореальной зоны. 2011. Т. 28. № 1–2. С. 18–26.
  11. Лупян Е. А., Барталев С. А., Ершов Д. В., Котельников Р. В., Балашов И. В., Бурцев М. А., Егоров В. А., Ефремов В. Ю., Жарко В. О., Ковганко К. А., Колбудаев П. А., Крашенинникова Ю. С., Прошин А. А., Мазуров А. А., Уваров И. А., Стыценко Ф. В., Сычугов И. Г., Флитман Е. В., Хвостиков С. А., Шуляк П. П. Организация работы со спутниковыми данными в информационной системе дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз) // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 222–250.
  12. Лупян Е. А., Барталев С. А., Балашов И. В., Егоров В. А., Ершов Д. В., Кобец Д. А., Сенько К. С., Стыценко Ф. В., Сычугов И. Г. Спутниковый мониторинг лесных пожаров в 21 веке на территории Российской Федерации (цифры и факты по данным детектирования активного горения) // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 6. С. 158–175. DOI: 10.21046/2070-7401-2017-14-6-158-175.
  13. Пономарев Е. И., Харук В. И., Якимов Н. Д. Результаты и перспективы спутникового мониторинга природных пожаров Сибири // Сибирский лесной журн. 2017. № 5. С. 25–36. DOI: 10.15372/SJFS20170503.
  14. Стыценко Ф. В., Барталев С. А., Егоров В. А., Лупян Е. А. Метод оценки степени повреждения лесов пожарами на основе спутниковых данных MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 1. С. 254–266.
  15. Хвостиков С. А., Балашов И. В., Барталев С. А., Ефремов В. Ю., Лупян Е. А. Региональная оптимизация параметров прогнозной модели природных пожаров и оперативное моделирование динамики их развития с использованием данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 3. С. 91–100.
  16. Хвостиков С. А., Барталев С. А., Лупян E. A. Вероятностное прогнозирование развития природных пожаров методом Монте-Карло на основе интеграции в имитационную модель данных спутникового детектирования очагов горения // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 5. С. 145–156. DOI: 10.21046/2070-7401-2016-13-5-145-156.
  17. Шихов А. Н., Зарипов А. С. Многолетняя динамика потерь лесов от пожаров и ветровалов на северо-востоке Европейской России по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 7. С. 114–128. DOI: 10.21046/2070-7401-2018-15-7-114-128.
  18. Allaire F., Filippi J.-B., Mallet V. Generation and evaluation of an ensemble of wildland fire simulations // Intern. J. Wildland Fire. 2020. V. 29. No. 2. P. 160–173. DOI: 10.1071/WF19073.
  19. Amraoui M., DaCamara C. C., Pereira J. M. C. Detection and monitoring of African vegetation fires using MSG-SEVIRI imagery // Remote Sensing of Environment. 2010. V. 114. No. 5. P. 1038–1052. DOI: 10.1016/j.rse.2009.12.019.
  20. Anderson K. R., Englefield P., Little J. M., Reuter G. An approach to operational forest fire growth predictions for Canada // Intern. J. Wildland Fire. 2009. V. 18. No. 8. P. 893–905. DOI: 10.1071/WF08046.
  21. Andrews P. L. Do you BEHAVE? — Application of the BehavePlus fire modeling system // Proc. 3rd Fire Behavior and Fuels Conf. 25–29 Oct. 2010 / eds. Wade D. D., Robinson M. L. Spokane; Birmingham: Intern. Association of Wildland Fire, 2010. 17 p.
  22. Cai S., Liu D., Sulla-Menashe D., Friedl M. A. Enhancing MODIS land cover product with a spatial-temporal modeling algorithm // Remote Sensing of Environment. 2014. V. 147. P. 243–255. DOI: 10.1016/j.rse.2014.03.012.
  23. Cardil A., Monedero S., Ramírez J., Silva C. A. Assessing and reinitializing wildland fire simulations through satellite active fire data // J. Environmental Management. 2019. V. 231. P. 996–1003. DOI: 10.1016/j.jenvman.2018.10.115.
  24. Chuvieco E., Mouillot F., van der Werf G. R., San Miguel J., Tanase M., Koutsias N., García M., Yebra M., Padilla M., Gitas I., Heil A., Hawbaker T. J., Giglio L. Historical background and current developments for mapping burned area from satellite Earth observation // Remote Sensing of Environment. 2019. V. 225. P. 45–64. DOI: 10.1016/j.rse.2019.02.013.
  25. Cruz M. G., Alexander M. E. Uncertainty associated with model predictions of surface and crown fire rates of spread // Environmental Modelling and Software. 2013. V. 47. P. 16–28. DOI: 10.1016/j.envsoft.2013.04.004.
  26. Cruz M. G., Sullivan A. L., Leonard R., Malkin S., Matthews S., Gould J. S., McCaw W. L., Alexander M. E. Fire Behaviour Knowledge in Australia: A synthesis of disciplinary and stakeholder knowledge on fire spread prediction capability and application. CSIRO Ecosystems Sciences and CSIRO Digital Productivity and Services Flagship Client Report No. EP145189. Canberra, Australia, 2014. 171 p.
  27. Faggian N., Bridge C., Fox-Hughes P., Jolly P., Jacobs H., Ebert B., Bally J. Final Report: An evaluation of fire spread simulators used in Australia. Melbourne, Australia: Bureau of Meteorology, 2017. 92 p.
  28. Filippi J. B., Mallet V., Nader B. Evaluation of forest fire models on a large observation database // Natural Hazards and Earth System Science. 2014. V. 14. No. 11. P. 3077–3091. DOI: 10.5194/nhess-14-3077-2014.
  29. Filizzola C., Corrado R., Marchese F., Mazzeo G., Paciello R., Pergola N., Tramutoli V. RST-FIRES, an exportable algorithm for early-fire detection and monitoring: description, implementation, and field validation in the case of the MSG-SEVIRI sensor // Remote Sensing of Environment. 2016. V. 186. P. 196–216. DOI: 10.1016/j.rse.2016.08.008.
  30. Finney M. A. Efforts at Comparing Simulated and Observed Fire Growth Patterns: Final Report. 2000. 20 p. URL: https://www.firelab.org/sites/default/files/2021-05/Finney_2000_FarsiteValidation_FinalReport.pdf.
  31. Finney M. A., Grenfell I. C., McHugh C. W., Seli R. C., Trethewey D., Stratton R. D., Brittain S. A Method for Ensemble Wildland Fire Simulation // Environmental Modeling and Assessment. 2011. V. 16. No. 2. P. 153–167. DOI: 10.1007/s10666-010-9241-3.
  32. Giglio L., Schroeder W., Justice C. O. The collection 6 MODIS active fire detection algorithm and fire products // Remote Sensing of Environment. 2016. V. 178. P. 31–41. DOI: 10.1016/j.rse.2016.02.054.
  33. Jahdi R., Salis M., Darvishsefat A. A., Mostafavi M. A., Alcasena F., Etemad V., Lozano O., Spano D. Calibration of FARSITE simulator in northern Iranian forests // Natural Hazards and Earth System Sciences. 2015. V. 15. No. 3. P. 443–459. DOI: 10.5194/nhess-15-443-2015.
  34. Kalabokidis K., Ager A., Finney M., Athanasis N., Palaiologou P., Vasilakos C. AEGIS: a wildfire prevention and management information system // Natural Hazards and Earth System Sciences. 2016. V. 16. No. 3. P. 643–661. DOI: 10.5194/nhess-16-643-2016.
  35. Kurbanov E., Vorobyev O., Leznin S., Polevshikova Y., Demisheva E. Assessment of burn severity in Middle Povozhje with Landsat multitemporal data // Intern. J. Wildland Fire. 2017. Т. 26. No. 9. С. 772–782. DOI: 10.1071/WF16141.
  36. Mandel J., Beezley J. D., Coen J. L., Kim M. Data Assimilation for Wildland Fires — Ensemble Kalman filters in coupled atmosphere-surface models // IEEE Control Systems Magazine. 2009. V. 29. Iss. 3. P. 47–65. DOI: 10.1109/MCS.2009.932224.
  37. Mandel J., Kochanski A. K., Vejmelka M., Beezley J. D. Data Assimilation of Satellite Fire Detection in Coupled Atmosphere-Fire Simulation by WRF-SFIRE // arXiv preprint. arXiv:1410.6948. 2014. 9 p.
  38. Milne G. J., Kelso J. K., Mellor D., Murphy M. E. Evaluating wildfire simulators using historical fire data // Advances in Forest Fire Research / Imprensa da Universidade de Coimbra. 2014. P. 1366–1375. DOI: 10.14195/978-989-26-0884-6_150.
  39. Noonan-Wright E. K., Opperman T. S., Finney M. A., Zimmerman G. T., Seli R. C., Elenz L. M., Calkin D. E., Fiedler J. R. Developing the US Wildland Fire Decision Support System // J. Combustion. 2011. V. 2011. P. 1–14. DOI: 10.1155/2011/168473.
  40. Oliva P., Schroeder W. Assessment of VIIRS 375m active fire detection product for direct burned area mapping // Remote Sensing of Environment. 2015. V. 160. P. 144–155. DOI: 10.1016/j.rse.2015.01.010.
  41. Opperman T., Gould J., Finney M., Tymstra C. Applying Fire Spread Simulators in New Zealand and Australia: Results from an International Seminar // Fuels Management-How to Measure Success: Proc. Conf. Portland. 28–30 March 2006. Fort Collins, U. S.: Department of Agriculture, Forest Service, Rocky Mountain Research Station, 2006. P. 201–212.
  42. Ponomarev E., Yakimov N., Ponomareva T., Yakubailik O., Conard S. G. Current Trend of Carbon Emissions from Wildfires in Siberia // Atmosphere. 2021. V. 12. No. 5. Art. No. 559. 15 p. DOI: 10.3390/atmos12050559.
  43. Reeves M. C., Ryan K. C., Rollins M. G., Thompson T. G. Spatial fuel data products of the LANDFIRE Project // Intern. J. Wildland Fire. 2009. V. 18. No. 3. P. 250. DOI: 10.1071/WF08086.
  44. Rochoux M. C., Emery C., Ricci S., Cuenot B., Trouvé A. Towards predictive data-driven simulations of wildfire spread. Part 2: Ensemble Kalman Filter for the state estimation of a front-tracking simulator of wildfire spread // Natural Hazards and Earth System Sciences Discussions. 2014. V. 2. No. 5. P. 3769–3820. DOI: 10.5194/nhessd-2-3769-2014.
  45. Rothermel R. C. A mathematical model for predicting fire spread in wildland fuels / USDA Forest Service. Research paper INT-115. 1972. 48 p.
  46. Sá A. C. L., Benali A., Fernandes P. M., Pinto R. M. S., Trigo R. M., Salis M., Russo A., Jerez S., Soares P. M. M., Schroeder W., Pereira J. M. C. Evaluating fire growth simulations using satellite active fire data // Remote Sensing of Environment. 2017. V. 190. P. 302–317. DOI: 10.1016/j.rse.2016.12.023.
  47. Salis M., Arca B., Alcasena F., Arianoutsou M., Bacciu V., Duce P., Duguy B., Koutsias N., Mallinis G., Mitsopoulos I., Moreno J. M., Pérez J. R., Urbieta I. R., Xystrakis F., Zavala G., Spano D. Predicting wildfire spread and behaviour in Mediterranean landscapes // Intern. J. Wildland Fire. 2016. V. 25. No. 10. P. 1015–1032. DOI: 10.1071/WF15081.
  48. Schroeder W., Oliva P., Giglio L., Quayle B., Lorenz E., Morelli F. Active fire detection using Landsat-8/OLI data // Remote Sensing of Environment. 2016. V. 185. P. 210–220. DOI: 10.1016/j.rse.2015.08.032.
  49. Sullivan A. L. A review of wildland fire spread modelling, 1990-present, 1: Physical and quasi-physical models // Intern. J. Wildland Fire. 2009. V. 18. No. 4. P. 349–368. DOI: 10.1071/WF06143.
  50. Szpakowski D. M., Jensen J. L. R. A Review of the Applications of Remote Sensing in Fire Ecology // Remote Sensing. 2019. V. 11. No. 22. Art. No. 2638. DOI: 10.3390/rs11222638.
  51. Toukiloglou P., Eftychidis G., Gitas I., Tompoulidou M. ArcFuel methodology for mapping forest fuels in Europe // Proc 1st Intern. Conf. Remote Sensing and Geoinformation of Environment. 2013. V. 8795. Art. No. 87951J. 19 p. DOI: 10.1117/12.2028213.
  52. Tymstra C., Bryce R., Wotton B. M., Armitage O. B. Development and structure of Prometheus the Canadian Wildland Fire Growth Simulation Model. Information Report NOR-X-417. Edmonton: Northern Forestry Centre, 2010. 102 p.
  53. Valero M. M., Rios O., Mata C., Pastor E., Planas E. An integrated approach for tactical monitoring and data-driven spread forecasting of wildfires // Fire Safety J. 2017. V. 91. P. 835–844. DOI: 10.1016/j.firesaf.2017.03.085.
  54. Zhang C., Collin A., Moireau P., Trouvé A., Rochoux M. C. Front shape similarity measure for data-driven simulations of wildland fire spread based on state estimation: Application to the RxCADRE field-scale experiment // Proc. Combustion Institute. 2019. V. 37. No. 3. P. 4201–4209. DOI: 10.1016/j.proci.2018.07.112.