Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2

Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знайдено докази кореляції між раптовим надходженням заряджених частинок з боку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж в задачі пошук...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2015
Автори:	Радовановіч, М., Виклюк, Я.І., Міленковіч, М., Йовановіч, А., Вуковіч, Д., Стеванчевіч, М., Мацюк, Н.О., Леко, Т.Б
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2015
Назва видання:	Системні дослідження та інформаційні технології
Теми:	Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/123489
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2 / М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б Леко // Системні дослідження та інформаційні технології. — 2015. — № 3. — С. 62-71. — Бібліогр.: 6 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-123489
record_format	dspace
spelling	irk-123456789-1234892017-09-07T03:02:50Z Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2 Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знайдено докази кореляції між раптовим надходженням заряджених частинок з боку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж в задачі пошуку функціональної залежності між виникненням лісових пожеж і факторами, що характеризують сонячну активність. Для цієї мети використано декілька методів аналізу (методи усунення сезонності, R/S аналіз, DataMining) для встановлення потенційних зв’язків між коливаннями певних параметрів, що характеризують сонячну активність, і виникненням лісових пожеж з врахуванням затримки в часі. Знайдено наявність взаємозв’язку і розроблено прогностичний сценарій, заснований на ANFIS та нейромережевих технологіях. Ці методи, в деяких випадках, дозволяють досягнути точності прогнозування до 93%. Протестирована гелиоцентрическая гипотеза причин вспышек лесных пожаров. Найдены доказательства корреляции между внезапным поступлением заряженных частиц от солнца и возникновением лесных пожаров с задержкой от одного до четырех дней. Проведен сравнительный анализ методов ANFIS и нейронных сетей в задаче поиска функциональной зависимости между возникновением лесных пожаров и факторами, характеризующими солнечную активность. Для этой цели использованы несколько методов анализа (методы устранения сезонности, R/S анализ, DataMining) для установления возможных связей между колебаниями определенных параметров, характеризующих солнечную активность, и возникновением лесных пожаров с учетом задержки во времени. Обнаружено наличие взаимосвязи и разработан прогностический сценарий, основанный на ANFIS и нейросетевых технологиях. Эти методы, в некоторых случаях, позволяют достичь точности прогнозирования до 93%. The heliocentric hypothesis of causes of forest fires outbreaks lias been tested. We found evidence of the correlation between the sudden arrival of charged particles from the sun and the occurrence of forest fires with a delay of one to four days. In this research, the comparative analysis was made between ANFIS and Neuron Networks in the task of searching a functional dependence between the occurrence of forest fires and the factors which characterize the solar activity. For this purpose we used several methods (R/S analysis, Hurst index, DataMining) for establishing potential links between the influx of some parameters from the sun and the occurrence of forest fires with the lag of several days. We found an evidence for a connection and developed a forecasting scenario based on the ANFIS and Neuron Network techniques. This scenario, in some cases, alliws to predict occurrences of forest fires with up to 93% accuracy. 2015 Article Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2 / М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б Леко // Системні дослідження та інформаційні технології. — 2015. — № 3. — С. 62-71. — Бібліогр.: 6 назв. — укр. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/123489 004.8 uk Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень
spellingShingle	Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2 Системні дослідження та інформаційні технології
description	Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знайдено докази кореляції між раптовим надходженням заряджених частинок з боку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж в задачі пошуку функціональної залежності між виникненням лісових пожеж і факторами, що характеризують сонячну активність. Для цієї мети використано декілька методів аналізу (методи усунення сезонності, R/S аналіз, DataMining) для встановлення потенційних зв’язків між коливаннями певних параметрів, що характеризують сонячну активність, і виникненням лісових пожеж з врахуванням затримки в часі. Знайдено наявність взаємозв’язку і розроблено прогностичний сценарій, заснований на ANFIS та нейромережевих технологіях. Ці методи, в деяких випадках, дозволяють досягнути точності прогнозування до 93%.
format	Article
author	Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б
author_facet	Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б
author_sort	Радовановіч, М.
title	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2
title_short	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2
title_full	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2
title_fullStr	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2
title_full_unstemmed	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2
title_sort	концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу datamining. частина 2
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2015
topic_facet	Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень
url	http://dspace.nbuv.gov.ua/handle/123456789/123489
citation_txt	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2 / М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б Леко // Системні дослідження та інформаційні технології. — 2015. — № 3. — С. 62-71. — Бібліогр.: 6 назв. — укр.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT radovanovíčm konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT viklûkâí konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT mílenkovíčm konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT jovanovíča konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT vukovíčd konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT stevančevíčm konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT macûkno konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2 AT lekotb konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina2
first_indexed	2025-07-08T23:45:20Z
last_indexed	2025-07-08T23:45:20Z
_version_	1837124367850405888
fulltext	 М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко, 2015 62 ISSN 1681–6048 System Research & Information Technologies, 2015, № 3 УДК 004.8 КОНЦЕПТУАЛЬНЕ МОДЕЛЮВАННЯ СПАЛАХІВ ЛІСОВИХ ПОЖЕЖ НА ОСНОВІ ОНТОЛОГІЧНОГО ПІДХОДУ DATAMINING. ЧАСТИНА 2 М. РАДОВАНОВІЧ, Я.І. ВИКЛЮК, М. МІЛЕНКОВІЧ, А. ЙОВАНОВІЧ, Д. ВУКОВІЧ, М. СТЕВАНЧЕВІЧ, Н.О. МАЦЮК, Т.Б. ЛЕКО Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знай- дено докази кореляції між раптовим надходженням заряджених частинок з бо- ку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж в за- дачі пошуку функціональної залежності між виникненням лісових пожеж і факторами, що характеризують сонячну активність. Для цієї мети використа- но декілька методів аналізу (методи усунення сезонності, R/S аналіз, DataMining) для встановлення потенційних зв’язків між коливаннями певних параметрів, що характеризують сонячну активність, і виникненням лісових пожеж з врахуванням затримки в часі. Знайдено наявність взаємозв’язку і роз- роблено прогностичний сценарій, заснований на ANFIS та нейромережевих технологіях. Ці методи, в деяких випадках, дозволяють досягнути точності прогнозування до 93%. НЕЙРОННІ МЕРЕЖІ У роботі було досліджено два типи багатошарових нейронних мереж:  нейронні мережі з прямим поширенням помилки;  нейронні мережі із зворотнім поширенням помилки. Для визначення необхідної кількості нейронів були використані емпіричні формули [1]:  11 log1 2         mn N m mL N mN w , (1) mn L L w   , (2) mn N Lmn N  210 , (3) )(10)(2 mnLNmnL  , (4) де N — число елементів навчальної вибірки, m — розмірність вихідного сигналу, n — розмірність вхідного сигналу, wL — необхідне число синап- тичних ваг, L — кількість елементів масиву. У нашому випадку навчальна вибірка містить 7 входів  7n і 1 вихід  1m . Число елементів навчальної вибірки залежить від лагу, при збіль- шені якого зменшується кількість елементів навчальної вибірки (табл. 1). Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу. Частина 2 Системні дослідження та інформаційні технології, 2015, № 3 63 Т а б л и ц я 1 . Залежність числа елементів навчальної вибірки від лагу lag 0 1 2 3 4 5 N 710 706 702 698 694 690 У результаті розрахунків було отримано: 34763  L . Отже, сумарна кількість нейронів має бути більшою за 63 та меншою за 347. Тому в розра- хунках було використано нейронні мережі, що містять 5050 та 6060 нейронів у прихованих прошарках для двох типів вищезазначених нейрон- них мереж (рис. 1). ГІБРИДНІ НЕЙРОННІ МЕРЕЖІ (ANFIS) ANFIS — нейронна мережа, що базується на основі нечіткої системи виводу Такагі-Сугено. Ця система виведення містить набір нечітких If-Then правил, які отримують під час навчання на великих базах даних на основі неліній- них функцій [2–3]. Ці методи добре зарекомендували себе в моделюванні складних соціальних систем у наших попередніх роботах [4]. Для побудови нечіткої моделі всі вхідні параметри представлено як лінг- вістичні змінні. Як було зазначено, у досліджуваній системі наявні нелінійні зв’язки, тому кожний терм у всіх лінгвістичних змінних описується неліній- ними Гаусівськими функціями належності. Як показали тестові розрахунки, найкращий результат отримувався при кількості 3-х термів у кожної лінгвіс- тичної змінної для кожного iX (21 терм для кожної моделі). У випадку 2-х термів моделі не були адекватними. Якщо ж цих термів більше, ніж 3, кіль- кість емпіричних параметрів перевищує обсяг навчальної вибірки, що уне- можливлює процес навчання. Як метод виведення нечіткої системи, було обрано функцію Сугено нульового порядку. Методом навчання був гібрид- ний спосіб, що об’єднує метод зворотного поширення помилки з методом найменших квадратів. У результаті було отримано продуктивні бази знань, що містять 6561 нечітке правило. РЕЗУЛЬТАТИ РОЗРАХУНКІВ Отже, у результаті навчання для кожного з шести лагів було отримано по 4 моделі на основі нейронних мереж (всього 24) та по 1 (всього 6) на основі Рис. 1. Схема нейронної мережі з 7 входами та 1 входом розмірністю 5050 М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2015, № 3 64 ANFIS для великих і малих пожеж відповідно (разом: 48 — нейронні мере- жі, 12 — ANFIS). Як відомо, результат навчання нейромережі залежить від конфігурації, методу навчання, стохастичних параметрів. Результат навчан- ня ANFIS характеризується більшою стійкістю під час навчанні. Тому для аналізу були взяті усереднені дані для 4-х нейронних мереж. Як було пока- зано в роботі [5], такий підхід дозволяє відсіяти випадкові флуктуації у функ- ціонуванні нейронних мереж, а, отже, досягти кращих результатів. Для пе- ревірки точності моделей було проведено кореляційний аналіз між реальними значеннями кількості пожеж (large)small~ F і прогнозованими за до- помогою моделей (large)small LM для кожного лагу окремо. Це дало змогу встановити інтервал часу між початком лісових пожеж та сонячною ак- тивністю (рис. 2). Як видно з рис. 2, коефіцієнти кореляції для моделі на основі ANFIS є більшими за нейронні мережі. Крім того видно, що на графіках спостері- гаються схожі тенденції, зокрема у випадку великих пожеж наявні незначні піки для .4,1lag Отже, можна дійти висновку, що існує затримка в 1 або 4 доби від початку сонячної активності і настанням великих лісових пожеж, що спричинені нею. Аналогічна ситуація спостерігається для невеликих по- жеж. Однак максимальна кореляція спостерігається при .3,0lag Як видно з графіку ANFIS, різниця між коефіцієнтами кореляції є незначною. Нато- мість нейромережі демонструють більшу «чутливість» до лагу, незважаючи на те, що абсолютні значення коефіцієнта кореляції є меншими. Для переві- рки отриманого висновку про залежність від часового лагу було проведено порівняльний аналіз збігів числа малих і великих лісових пожеж між реаль- ними даними та моделями (рис. 3). Також було проаналізовано помилкові піки та відмінність амплітуди піків. За даними з рис. 3 всі моделі дають можливість пояснити основний вплив сонячної активності на малі та великі лісові пожежі. Модельні піки за положенням та амплітудою є близькими до реальних. Це вказує на достовір- Рис. 2. Залежність коефіцієнта кореляції від лагу L : а — (large)small~ F , б — (large)small LM 0 1 2 3 4 5 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 а) lag anfis average 0 1 2 3 4 5 б) l anfis average Lag Lag а б Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу. Частина 2 Системні дослідження та інформаційні технології, 2015, № 3 65 ність цих моделей. Однак для точного аналізу необхідно кількісно під- рахувати вищезазначені показники. Для перевірки точності результатів, було проведено порівняльний ана- ліз між числом, положенням, амплітудою реальних спалахів пожеж (піки на рис. 3, (а, е)) і спалахами пожеж, що прогнозуються моделями (піки на рис. 3. (б, в, г, д, є, ж, з, і)). Розглянемо два випадки:  порівняльний аналіз прогнозованих спалахів пожеж з точністю в межах доби (тобто прогноз вважається правильним, якщо пожежа настає у той самий день, що й згідно з прогнозом);  порівняльний аналіз прогнозованих спалахів пожеж з точністю в межах однієї однієї доби (тобто, якщо модель передбачає спалах пожежі наприклад у середу, а реальна пожежа сталась у проміжку з вівторка до чет- верга, то прогноз вважається точним). Результати розрахунків наведено в таблиці 2 та 3. Рис. 3. Порівняння результатів моделювання з реальними даними. Малі пожежі: a — реальні дані, б — ANFIS ,)0( lag в — ANFIS ,)3( lag г — нейронні мережі ,)0( lag д — нейронні мережі .)3( lag Великі пожежі: е — реальні дані, є — ANFIS ,)1( lag ж — ANFIS ,)4( lag з — нейронні мережі ,)1( lag і — ней- ронні мережі )4( lag 0 200 400 600 -10 0 10 20 30 -10 0 10 20 30 і) з) -10 0 10 20 30 ж) -10 0 10 20 30 є) -10 0 10 20 30 e) 0 200 400 600 -200 0 200 400 600 800 1000 -200 0 200 400 600 800 1000 д) г) -200 0 200 400 600 800 1000 в ) -200 0 200 400 600 800 1000 б) -200 0 200 400 600 800 1000 a) T he n um be r of f ir e T he n um be r of f ir e The period (days) The period (days) а е б є в ж г з д і М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2015, № 3 66 Т а б л и ц я 2 . Аналіз точності пожеж, проведених методом ANFIS L ag Р еа л ьн а к іл ь к іс ть п ож еж П р ог н оз ов ан і сп ал ах и п ож еж П оя сн ен і м од ел - л ю с п ал ах и п о- ж еж з т оч н іс тю 1 до ба С ер ед н я р із н и ц я в ам п л іт уд і П ом и л к ов і п ік и з т оч н іс тю 1 до ба Н е п оя сн ен і м о- де л л ю с п ал ах и п ож еж П оя сн ен і м од ел - л ю с п ал ах и п ож еж з то ч н іс тю ± 1 до ба С ер ед н я р із н и ц я в ам п л іт уд і П ом и л к ов і п ік и з т оч н іс тю ± 1 до ба 1 2 3 4 5 6 7 8 9 10 Lag Малі пожежі 0 207 189 73 35% –4,6% 116 61% 48 23% 169 82% –4,4% 20 11% 1 206 187 59 29% –7,7% 128 68% 53 26% 170 83% –3,4% 17 9% 2 204 197 78 38% –5,1% 119 60% 44 22% 178 87% –3,4% 19 10% 3 202 185 78 39% –5,1% 107 58% 41 20% 170 84% –2,1% 15 8% 4 202 180 65 32% –1,2% 115 64% 42 21% 162 80% –2,9% 18 10% 5 201 182 76 38% 6,7% 106 58% 38 19% 159 79% –4,1% 23 13% Lag Великі пожежі 0 229 191 71 31% 11,6% 120 63% 55 24% 186 81% –6,2% 5 3% 1 229 210 82 36% 2,1% 128 61% 60 26% 210 93% 2,3% 0 0% 2 226 194 75 33% –1,9% 119 61% 52 23% 194 86% 2,8% 0 0% 3 225 189 66 29% –2,4% 123 65% 58 26% 188 88% 13,7% 1 1% 4 223 193 69 31% 33,1% 124 64% 56 25% 177 79% 3,2% 16 8% 5 222 197 71 32% 13,3% 126 64% 56 25% 189 85% 22,3% 8 4% Т а б л и ц я 3 . Аналіз точності пожеж, проведених методом нейронних мереж L ag Р еа л ьн а к іл ьк іс ть п ож еж П р ог н оз ов ан і сп ал ах и п ож еж П оя сн ен і м од ел - л ю с п ал ах и п о- ж еж з т оч н іс тю 1 до ба С ер ед н я р із н и ц я в ам п л іт уд і П ом и л к ов і п ік и з т оч н іс тю 1 до ба Н е п оя сн ен і м о- де л л ю с п ал ах и п ож еж П оя сн ен і м од ел - л ю с п ал ах и п о- ж еж з т оч н іс тю ±1 д об а С ер ед н я р із н и ц я в ам п л іт уд і П ом и л к ов і п ік и з т оч н іс тю ± 1 до ба 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Lag Малі пожежі 0 207 204 88 43% –7,4% 116 57% 39 19% 185 89% 0,6% 19 9% 1 206 187 70 34% –7,4% 117 63% 54 26% 164 80% 6,6% 23 12% 2 204 196 75 37% –3,4% 121 62% 40 20% 171 84% –1,4% 25 13% 3 202 207 85 42% –5,3% 122 59% 41 20% 185 92% 1,5% 22 11% 4 202 197 74 37% –8,4% 123 62% 47 23% 175 87% 3,3% 22 11% 5 201 204 75 37% 7,7% 129 63% 49 24% 182 91% –1,0% 22 11% Lag Великі пожежі 0 229 176 57 25% 39,03% 119 68% 59 26% 175 76% –7,63% 1 1% 1 229 201 82 36% –2,92% 119 59% 54 24% 197 86% 11,56% 4 2% 2 226 198 68 30% 0,27% 130 66% 63 28% 196 87% 8,75% 2 1% 3 225 179 73 32% 22,74% 106 59% 48 21% 169 75% 6,52% 10 6% 4 223 193 68 30% –9,68% 125 65% 60 27% 180 81% 2,75% 13 7% 5 222 186 54 24% 7,87% 132 71% 63 28% 178 80% –2,58% 8 4% Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу. Частина 2 Системні дослідження та інформаційні технології, 2015, № 3 67 Як видно з табл. 2–3, розроблені моделі характеризуються високою точ- ністю прогнозу в наближенні однієї доби (стовпець 4). Найбільша точність прогнозу невеликих пожеж спостерігається при 0lag та 3lag (також високою є точність для .5lag У випадку великих пожеж найбільш точни- ми виявились моделі з .1lag Моделі на основі ANFIS показують також високу точність для лагу 4 та 5. ANFIS моделі можуть передбачити до 39% малих пожеж і 36% великих пожеж з точністю прогнозу в одну добу. Моделі на основі нейронних мереж показують більшу точність для прогнозу малих пожеж — 43%. У випадку великих пожеж точність залишається такою са- мою. Отже, ці результати підтверджують попередні висновки кореляційного аналізу (рис. 2) в розрізі залежності від часової затримки. Тобто затримка між спалахом на сонці та спалахом малих пожеж становить 0 або 3 доби, що свідчить про наявність декількох механізмів, які призводять до спалаху лі- сових пожеж. Стосовно великих пожеж — затримка становить одну добу (підтверджено 3-ма моделями) 4–5 діб (підтверджено 2-ма моделями). Якщо ж розглядати точність у межах 1 доби, то результати прогнозу стають надзвичайно оптимістичними (стовпець 8): за допомогою ANFIS можна отримати прогноз до 87 % малих пожеж )2( lag і 93 % великих по- жеж )1( lag . Нейронні мережі показали знову більшу точність для малих пожеж: до 89% )0( lag та 92% )3( lag . У випадку великих пожеж прогноз дещо гірший: 86–87% 1( lag та 2). Отже, у цій точності прогнозу менш ніж 21% (100% — колонка 8) спалахів лісових пожеж не залежить від активності сонця. Варто зазначити, що якщо розглядати точність прогнозу в межах однієї доби, то в середньому до 57–65% прогнозованих моделлю спалахів пожеж (для встановлених «точних» лагів) на практиці не спостерігаються (колонка 6 табл. 2–3). Ці помилкові прогнози властиві як великим, так і малим поже- жам. Однак на практиці важливіше знати, скільки реальних пожеж розроб- лені моделі не в змозі передбачити. Щоб перевірити це, було підраховано кількість випадків, коли на графіку реальних пожеж спостерігалися піки, а на модельних графіках значення було нижче за середнє (колонка 7, табл. 2–3). За розрахунками, тільки 19–26% реальних спалахів малих пожеж не можуть бути передбачені розробленими моделями. Для великих пожеж це число складає приблизно 23–27%. Однак, якщо точність передбачення складає 1 добу, то кількість по- милкових піків є меншою за 13 % для всіх розрахунків (10 стовпець). Також відсутні спалахи реальних пожеж, що неможливо передбачити. Цікавою є інформація щодо прогнозованої амплітуди піків у порівнянні з реальними піками на рис. 3. Тобто, як співвідноситься кількість прогнозо- ваних спалахів пожеж у конкретний день з реальною кількістю пожеж, заре- єстрованими в цей самий день. Як показано в табл. 2–3 (5 колонка), у ви- падку невеликих пожеж амплітуда, зазвичай, є меншою в середньому на 5%, ніж фактичне число спалахів для ANFIS моделей. Нейронні мережі по- казують дещо гірший результат — (–7%). Якщо прогноз зроблено в набли- женні ±1 доба, то похибка інтенсивності є меншою: (–4) – (–2) % для ANFIS та в межах (–1%)–(– 3%) для нейронних мереж (9-й стовпець). М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2015, № 3 68 Для великих пожеж — інша ситуація. У випадку «точних» лагів )1( lag , спостерігається найменша похибка по амплітуді: від –2 % до 2 % (5 колонка). Для 4lag та 5 спостерігається сильніше відхилення по амплі- туді аж до 33% для ANFIS та –9% – 8% для нейронних мереж. У разі точно- сті пронозу в наближенні ±1 доба, похибка амплітуди складе від –7 % до +22 %. Однак для «точних» lag ця помилка складає: 2–3% для ANFIS та 3–11% для нейронних мереж. Незважаючи на точність прогнозування, як по часу так і по амплітуді, ці моделі не дозволяють передбачати географічне положення джерел пожеж. Причина полягає у відсутності геопросторової інформації в навчальній ви- бірці. Цей недолік може бути усунено, якщо долучити цю інформацію до бази даних. Для визначення ступеня залежності кількості спалахів пожеж від зміни вхідних параметрів, було проведено аналіз чутливості. Оскільки результати моделювання методами ANFIS та нейронних мереж показали схожі резуль- тати, аналіз чутливості було проведено саме для ANFIS моделей для «точ- них» лагів. Для цього, значення всіх вхідних факторів усереднюються і до- сліджується залежність кількості спалахів пожеж, що прогнозує модель, від послідовних змін кожного фактора. Результати цього аналізу представлено на рис. 4. На рис. 4 продемонстровано, що залежність кількості спалахів лісових пожеж від вхідних параметрів є нелінійною. Зокрема, невеликі пожежі є найбільш чутливими до 1X .)0( lag Залежність від останнього парамет- 0,0 0,2 0,4 0,6 0,8 1,0 -2000 0 2000 4000 6000 8000 10000 a) X1 X2 X3 X4 X5 X6 X7 0,0 0,2 0,4 0,6 0,8 1,0 -350 -300 -250 -200 -150 -100 -50 0 50 100 150 200 250 300 б) y X1 X2 X3 X4 X5 X7 T he n um be r of f ir es S en si ti vi ty o f fi re s of fe ns iv e Increment Increment а б 0 20 40 60 80 100 -100 -50 0 50 100 150 200 г) y X1 X2 X3 X4 X5 X6 X7 0 20 40 60 80 100 -500 0 500 1000 1500 2000 в) X1 X2 X3 X4 X5 X6 X7 S en si ti vi ty o f fi re s of fe ns iv e S en si ti vi ty o f fi re s of fe ns iv e Increment Increment в г Рис. 4. Залежність кількості пожеж від почергової зміни факторів моделей iX . Ма- лі пожежі: a — ,0lag в — ,3lag великі пожежі: б — ,1lag г — 4lag Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу. Частина 2 Системні дослідження та інформаційні технології, 2015, № 3 69 ру має квадратичну форму. Коли активність 1X збільшується від середнього значення 0,008 до 0,5, прогнозована кількість пожеж стрімко зростає. Збіль- шення цього фактора від 0,5 до 1 призводить до їх зменшення. Це можна пояснити тим, що такого великого збільшення зазначеного параметру без зміни інших факторів ніколи раніше не спостерігалось. Тому діапазон 0,5–1 є неможливим у природі і висновки моделі по ньому можуть не братись до уваги. Параметри 72 XX  практично не впливають на кількість невеликих пожеж. Зовсім інша ситуація спостерігається для 3lag (рис. 4. в). Най- більш чутливим є параметр :5X у діапазоні від 0 до 0,1. Від 0,1 до 0,5 цей фактор не впливає на пожежі. Після 0,5, збільшення цього фактора знову призводить до різкого збільшення пожеж. Однак після 0,6 найбільш впливо- вим параметром стає 4X . Інша ситуація спостерігається для великих лісових пожеж. Залежності для ,1lag 4lag є схожими. Як видно з рис. 4 б, г, найбільш вагомими параметрами є 1X та 3X , залежність кількості великих пожеж від їх почер- гової зміни є аналогічною для 1X у випадку невеликих пожеж. Залежність від 5X має експоненційну форму. Як видно з рис. 4 б, кількість великих пожеж стрімко зростає, коли 5X стає більшою за 0,5 (це характерно лише для .)1lag Така поведінка потребує подальших експериментальних та теоретич- них досліджень для підтвердження чи спростування отриманих виснов- ків. ВИСНОВОК У роботі знайдено докази щодо наявності нелінійних зв’язків між настанням лісових пожеж і сонячною активністю. Це дало змогу використати нелінійні методи SoftComputing також для встановлення аналізу функціональних за- лежностей між ними. Було показано, що між збільшенням сонячної актив- ності і спалахами лісових пожеж існують періоди затримки, які становлять від однієї до декількох діб у випадку великих пожеж. Це дає можливість передбачити настання пожеж і вжити заходів щодо їх запобігання. На основі розроблених нейромережевих моделей є можливість передбачити до 89% займань невеликих лісових пожеж у день спалаху на сонці й до 92% із за- тримкою в 3 доби. У той самий час точність прогнозу для великих пожеж із затримкою в один день становить 93% (для ANFIS). Це справедливо у випа- дку прогнозування з точністю ±1 доба. У випадку прогнозування з точністю 1 доби, точність прогнозу спадає до 36–43% і відповідно збільшується кіль- кість помилкових піків. Незважаючи на це, лише 22% випадків пожеж су- часні методи SoftComputing передбачити не можуть. Також варто зазначити, що у всіх випадках відносна похибка під час прогнозування амплітуди кіль- кості пожеж становить менше 5%. На противагу цьому, варто зазначити, що в постановці задачі існують певні недоліки, які відобразились у результатах. Наприклад, якщо супутник вимірює збільшення потоку будь-якого параметра сонячної активності, це М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2015, № 3 70 не означає, що заряджені частинки вступають у контакт з рослинною масою. Навіть якщо довести в лабораторії, що вони можуть викликати початкову фазу займання, це не обов’язково означатиме, що будь-який раптовий потік частинок потрапить на територію США. Натомість база даних містить ціло- добову інформацію про спалахи на сонці і лише інформацію про спалахи пожеж в США. Тобто для збільшення адекватності та точності моделі треба враховувати спалахи пожеж на всій території Земної кулі або брати до уваги тільки ті спалахи, які зумовили вплив на територію США. Крім того, коли проходження атмосфери високоенергетичними частинками відбувається в умовах підвищеної вологості і/або хмарності, вони, як правило, не досяга- ють поверхні Землі за рахунок поглинання [6]. За розрахунками, від моменту реєстрації потоку заряджених частинок до спалаху лісової пожежі проходить певний час. Лише для невеликих по- жеж лаг становить 0 днів. Повторна активізація спалахів малих пожеж від- бувається із затримкою 2–3 доби, а великих — 1 доба. Така особливість по- требує подальших досліджень. З іншого боку, виникають проблеми реєстрації кількості невеликих по- жеж в США. Це пов’язано з тим, що велика частина території цієї країни є ненаселеною. З іншого боку, великі пожежі можуть утворюватися зі злиття декількох малих. Про це теж відсутня інформація. Як видно з рис. 3 і табл. 2 та 3, результати досліджень слабо залежать від часових затримок (лагу). Різниця між результатами кореляції коливаєть- ся в межах 10% – 30% залежно від лагу. Це може бути зумовлено такими факторами:  У роботі досліджуються лісові пожежі, що зареєстровані на території Сполучених Штатів. Різниця в кліматі та атмосферних умовах через велику територію країни, а також у рослинному покрові, призводить до різних іне- рційних процесів займання. Це, у свою чергу, «послаблює» залежність від часової затримки.  Спалахи пожеж також залежать від інших чинників, а не лише від сонячної активності, однак вони не були включені до моделей.  Спалахи пожеж можуть бути пов’язані з коливаннями клімату, пого- ди та інших стохастичних факторів, які не враховані в моделях. Однак, незважаючи на відносну точність прогнозування за допомогою розроблених моделей на основі ANFIS та нейронних мереж, для остаточного підтвердження запропонованої гіпотези, необхідно провести експеримента- льні лабораторні дослідження. У наступних теоретичних дослідженнях пла- нується провести прогнозування місця і часу займання лісової пожежі. Практична цінність результатів полягає в тому, що з’являється можливість передбачити та повідомити про потенційну небезпеку і відповідно ужити запобіжні заходи для її усунення. Подяка: Ці результати є частиною проекту III47007, заснованого Міні- стерством освіти і науки Республіки Сербія.Изд-во СОЛОН-пресс, ЛІТЕРАТУРА 1. Дьяконов В.П. MatLab 6.5 SP1 (7.0). Simulink 5/6. Основы применения, Изд-во СОЛОН-пресс, 2005. — 800 с. Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу. Частина 2 Системні дослідження та інформаційні технології, 2015, № 3 71 2. Abraham A. Adaptation of Fuzzy Inference System Using Neural Learning. In Fuzzy Systems Engineering: Theory and Practice (eds. Nedjah, N. & de Macedo Mourelle, L.). Springer Verlag, 2005. — P. 53–83. 3. Mohandes M., Rehman S. Estimation of wind speed profile using adaptive neuro- fuzzy inference system (ANFIS) // Appl. Energy. — 2011. — 88(11). — P. 4024−4032. 4. Vyklyuk Y. Simulation of spatial form of urban systems by diffusion methods // Journal of the Geographical Institute «Jovan Cvijic» SASA. — 2013. — 63, № 1. — P. 89–100. — № 2. — Р. 67–77. 5. Yaroslav Vyklyuk, Darko Vuković, Ana Jovanović. Forex predicton with neural net- work: usd/eur currency pair // Actual Problems of Economics. — 2013. — № 10. — P. 261−273. 6. Labitzke K. The global signal of the 11-year sunspot cycle in the atmosphere: When do we need the QBQ? Meteorolog. Zeitshrift. — 2003. — 12(4). — P. 209−216. Надійшла 02.06.2014

Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 2

Репозитарії

Схожі ресурси