📄Работа №129394
Тема: Нейросетевая обработка разнородных данных экологических происшествий
Характеристики работы
Тип работы
Магистерская диссертация
Предмет
Информатика и вычислительная техника
Объем:
44 листов
Год:
2020
Просмотров:
54
4945
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
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 предсказаний 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
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 предсказаний 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
📖 Введение
Лесные пожары — неизбежная часть жизни на Земле. Ежегодно повреждаются огнем более 340 млн. га природных территорий (включая леса). Наибольшие площади ежегодно сгорающих лесов находятся в Австралии и странах Африки. По общей площади лесов, уничтоженных пожарами, Россия занимает 8 место среди стран мира [1]. Ознакомиться со статистикой по лесным пожарам в Российской Федерации можно, используя Единую Межведомственную Информационно-Мтатистическую систему (ЕМИСС) [?], где представлены данные от Федерального агентства лесного хозяйства. Сформированные данные по площади сгоревших лесных насаждений за 2015-2018 года графически представлены на рис. 1 a).
Здесь виден высокий рост общей площади сгоревших лесов, несмотря на то, что, как видно на рис. 1 b), показатель количества пожаров меняется не столь значительно. В 2018 году по сравнению с 2017 число случаев лесных пожаров увеличилось на 11%, тогда как площадь сгоревших насаждений — на 55%.
По данным Европейской информационной системы лесных пожаров, похожая ситуация наблюдается в ряде других стран. В частности, в Швеции количество пожаров возросло на 55% в 2018 году по сравнению с 2017 годом (8181 — в 2018 и 5276 — в 2017) в то время, как площадь сгоревшей территории оказалась выше почти в 16 раз (1433 га — в 2017 г. и 24310 га — в 2018 г.) [2].
Проанализировав эти данные, можно сделать вывод, что задачи прогнозирования возникновения и распространения пожаров, противодействие их развитию, а также выявление факторов риска и причин их возникновения для недопущения самих возгораний, являются важными не только для Российской Федерации, но и для других стран.
В настоящее время обнаружение пожаров не является сложной задачей. Даже в самых отдаленных уголках земного шара их тепловые сигнатуры могут быть обнаружены датчиками на борту спутников наблюдения Земли. Возможность быстро предоставлять информацию о приблизительном местоположении и перемещении отдельных лесных пожаров с помощью приборов на борту спутников наблюдения Земли — это глобальная история успеха, которая помогает спасать жизни и имущество.
Большинство существующих в настоящее время моделей [3, 4, 5] распространения лесных пожаров подразделяется на:
• физические и квазифизические (используют методы фундаментальной физики);
• эмпирические и квазиэмпирические (статистический анализ данных, полученных в ходе экспериментов);
• имитационные и математические модели.
Однако все эти методы анализа процессов связанных с пожарами осложняются в следствие влияния множества факторов окружающей среды, неочевидных зависимостей между ними, а также трудностей проведения практических экспериментов для оценки качества и достоверности модели. Зачастую эти проблемы помогает решить построение моделей с широким использованием методов машинного обучения, в частности применение нейронных сетей. С помощью них можно решать задачи даже с противоречивыми и зашумленными или даже недостоверными данными.
Постановка задачи
Целями настоящей работы является проведение, методами машинного обучения, моделирования развития пожароопасной обстановки. На основе работы разработанной нейронной сети производится оценка развития картины пожарных очагов, выявление критических направлений движения огня и оценка оптимального противодействия пожарам.
Для реализации заявленных целей требуется осуществить следующие задачи:
1. Рассмотреть различные типы данных о пожароопасной обстановке и произвести их предварительную обработку и систематизацию;
2. Найти и обосновать определяющие факторы динамики пожарной обстановки в рассмотренных данных;
3. Разработать многослойную нейронную сеть с прямыми связями. предсказывающую развитие пожароопасной обстановки;
4. Продемонстрировать полученные результаты разработанной нейронной сети.
Здесь виден высокий рост общей площади сгоревших лесов, несмотря на то, что, как видно на рис. 1 b), показатель количества пожаров меняется не столь значительно. В 2018 году по сравнению с 2017 число случаев лесных пожаров увеличилось на 11%, тогда как площадь сгоревших насаждений — на 55%.
По данным Европейской информационной системы лесных пожаров, похожая ситуация наблюдается в ряде других стран. В частности, в Швеции количество пожаров возросло на 55% в 2018 году по сравнению с 2017 годом (8181 — в 2018 и 5276 — в 2017) в то время, как площадь сгоревшей территории оказалась выше почти в 16 раз (1433 га — в 2017 г. и 24310 га — в 2018 г.) [2].
Проанализировав эти данные, можно сделать вывод, что задачи прогнозирования возникновения и распространения пожаров, противодействие их развитию, а также выявление факторов риска и причин их возникновения для недопущения самих возгораний, являются важными не только для Российской Федерации, но и для других стран.
В настоящее время обнаружение пожаров не является сложной задачей. Даже в самых отдаленных уголках земного шара их тепловые сигнатуры могут быть обнаружены датчиками на борту спутников наблюдения Земли. Возможность быстро предоставлять информацию о приблизительном местоположении и перемещении отдельных лесных пожаров с помощью приборов на борту спутников наблюдения Земли — это глобальная история успеха, которая помогает спасать жизни и имущество.
Большинство существующих в настоящее время моделей [3, 4, 5] распространения лесных пожаров подразделяется на:
• физические и квазифизические (используют методы фундаментальной физики);
• эмпирические и квазиэмпирические (статистический анализ данных, полученных в ходе экспериментов);
• имитационные и математические модели.
Однако все эти методы анализа процессов связанных с пожарами осложняются в следствие влияния множества факторов окружающей среды, неочевидных зависимостей между ними, а также трудностей проведения практических экспериментов для оценки качества и достоверности модели. Зачастую эти проблемы помогает решить построение моделей с широким использованием методов машинного обучения, в частности применение нейронных сетей. С помощью них можно решать задачи даже с противоречивыми и зашумленными или даже недостоверными данными.
Постановка задачи
Целями настоящей работы является проведение, методами машинного обучения, моделирования развития пожароопасной обстановки. На основе работы разработанной нейронной сети производится оценка развития картины пожарных очагов, выявление критических направлений движения огня и оценка оптимального противодействия пожарам.
Для реализации заявленных целей требуется осуществить следующие задачи:
1. Рассмотреть различные типы данных о пожароопасной обстановке и произвести их предварительную обработку и систематизацию;
2. Найти и обосновать определяющие факторы динамики пожарной обстановки в рассмотренных данных;
3. Разработать многослойную нейронную сеть с прямыми связями. предсказывающую развитие пожароопасной обстановки;
4. Продемонстрировать полученные результаты разработанной нейронной сети.
✅ Заключение
Целью данной работы являлась разработка модели нейронной сети, предсказывающей 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 исследований (NOAA);
• Разработана многослойная нейронная сеть с прямыми связями с выбором оптимальных параметров модели методом поиска по сетке;
• Произведено нейросетевое предсказание развития пожароопасной обстановки 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 нейронной сети и получена лучшая точность предсказания пожароопасной обстановки;
• Показано, что для задач с неравными классами использование метрики accuracy не позволяет в достаточной мере оценить точность предсказания на следующий интервал времени;
• Предложена замена метрики accuracy на F-меру, которая решает задачу требуемой точности предсказания, с учетом совмещения данных о погоде.
Исходя из всего вышеперечисленного, можно утверждать, что поставленная задача была решена полностью.
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 исследований (NOAA);
• Разработана многослойная нейронная сеть с прямыми связями с выбором оптимальных параметров модели методом поиска по сетке;
• Произведено нейросетевое предсказание развития пожароопасной обстановки 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 нейронной сети и получена лучшая точность предсказания пожароопасной обстановки;
• Показано, что для задач с неравными классами использование метрики accuracy не позволяет в достаточной мере оценить точность предсказания на следующий интервал времени;
• Предложена замена метрики accuracy на F-меру, которая решает задачу требуемой точности предсказания, с учетом совмещения данных о погоде.
Исходя из всего вышеперечисленного, можно утверждать, что поставленная задача была решена полностью.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.