Нейросетевая обработка разнородных данных экологических происшествий

В настоящей работе, методами машинного обучения, моделируется развитие пожароопасной обстановки. Рассматриваются неоднородные типы данных о пожароопасной обстановке, производится их предварительная обработка и систематизация. Разрабатывается нейронная сеть, предсказывающая динамику пожаров с учётом данных о погоде. Для задач с неравными классами предлагается замена метрики accuracy на F-меру.

Введение 3

Постановка задачи 5

Обзор литературы 6

Глава 1. Предварительная обработка данных о пожарах в РФ 9
§1. Источник данных о пожарах . . . . . . . . . . . . . . . . . . . 9
§2. Описание полученных данных . . . . . . . . . . . . . . . . . . 13
§3. Обработка данных по сетке . . . . . . . . . . . . . . . . . . . . 18

Глава 2. Нейросетевая обработка данных 19
§1. Типы нейронных сетей . . . . . . . . . . . . . . . . . . . . . . . 19
§2. Функция потерь . . . . . . . . . . . . . . . . . . . . . . . . . . 23
§3. Выбор параметров модели . . . . . . . . . . . . . . . . . . . . . 24
§4. Обучение нейронной сети . . . . . . . . . . . . . . . . . . . . . 25

Глава 3. Добавление данных о погоде и улучшение предсказа-
ний нейронной сети 28
§1. Загрузка и обработка данных . . . . . . . . . . . . . . . . . . . 28
§2. Нахождение расстояния между двумя точками . . . . . . . . . 31
§3. Нейросетевая обработка дополненных данных . . . . . . . . . 33

Выводы 35

Заключение 36

Список литературы 37

Приложение 40

Целью данной работы являлась разработка модели нейронной сети, пред-
сказывающей развитие пожароопасной обстановки по выбранному региону.
Разумно было предположить совмещение данных о пожарах с космических
снимков с данными о погоде за соответствующий период времени.
Основные результаты представленной дипломной работы:

• Рассмотрены данные о пожарной обстановке в России от NASA FIRMS,
полученные с помощью датчиков VIIRS в период с 2012 по 2019 год, а
также данные о погоде от Национальной метеорологической службы
Национального управления океанических и атмосферных исследова-
ний (NOAA);

• Разработана многослойная нейронная сеть с прямыми связями с вы-
бором оптимальных параметров модели методом поиска по сетке;

• Произведено нейросетевое предсказание развития пожароопасной об-
становки на следующий интервал времени по данным космических
снимков от NASA FIRMS;

• На основе совмещения данных с космических снимков от NASA FIRMS
с данными состояния погоды от NOAA произведена коррекция ней-
ронной сети и получена лучшая точность предсказания пожароопас-
ной обстановки;

• Показано, что для задач с неравными классами использование метри-
ки accuracy не позволяет в достаточной мере оценить точность пред-
сказания на следующий интервал времени;

• Предложена замена метрики accuracy на F-меру, которая решает за-
дачу требуемой точности предсказания, с учетом совмещения данных
о погоде.

Исходя из всего вышеперечисленного, можно утверждать, что поставлен-
ная задача была решена полностью.

[1] Филипчук А. Н., Моисеев Б. Н., Медведева М. А., Кинигопуло П. С.,
Югов А. Н. Сравнительная характеристика лесов по данным глобаль-
ной оценки лесных ресурсов 2015 // Лесохозяйственная информация,
№ 3, 2017, с.: 75-91