Дослідження автоматизованих систем попереднього виявлення лісових пожеж

Цимбал, Леонід Миколайович

Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/6418

Title:	Дослідження автоматизованих систем попереднього виявлення лісових пожеж
Authors:	Міценко, Сергій Анатолійович Цимбал, Леонід Миколайович
Issue Date:	Jan-2024
Abstract:	У кваліфікаційній роботі вирішено важливу задачу – розробка інформаційної технології для раннього виявлення осередків запалювання лісових пожеж на основі розширення можливостей неспеціалізованих безпілотних літальних апаратів. При огляді інформаційно-технологічного забезпечення та математичного апарату моделей, що використовуються в безпілотних літальних апаратах, встановлено, що існує різноманіття алгоритмів, використовуваних для навігації, але жоден з них не вирішує завдань моніторингу об’єктів, зокрема осередків лісових пожеж, у фоновому режимі. Запропонована інформаційна технологія сповіщення рятувальних служб за допомогою неспеціалізованих безпілотних літальних апаратів при виявленні осередку лісової пожежі ґрунтується на розширенні їхніх інформаційно-технологічних можливостей, що дозволяє додатково інформувати ДСНС і, отже, покращити ефективність пожежної безпеки в лісі. Аналіз технічних характеристик безпілотних літальних апаратів та управління дозволяє визначити мінімальний набір вимог для їхньої інтеграції в розроблену інформаційну технологію. Удосконалений метод автоматичної адаптації частоти кадрів, який враховує технічні характеристики пристроїв управління, забезпечує безперебійне функціонування інформаційної системи у фоновому режимі шляхом автоматичного налаштування параметрів методів відповідно до критерію швидкість-якість розпізнавання. Метод автоматичного виявлення небезпеки лісової пожежі на основі аналізу кластерів неприродних кольорів дозволяє автоматично повідомляти про осередки лісової пожежі. Проведені дослідження показали оптимальні налаштування параметрів та порівняли ефективність інформаційної системи з людиною-оператором. Результати свідчать про те, що час розпізнавання пожежі оператором скоротився в 5 разів порівняно з оригінальними знімками. Якість прийняття рішень оператором підвищилась з 70% до 90%, що підтверджує ефективність запропонованої інформаційної технології.
URI:	https://er.chdtu.edu.ua/handle/ChSTU/6418
Appears in Collections:	174 Автоматизація, комп'ютерно-інтегровані технології та робототехніка (Автоматизація та комп'ютерно-інтегровані системи та компоненти)

Files in This Item:

File	Description	Size	Format
М_151_2023_Цимбал.pdf Restricted Access		2.4 MB	Adobe PDF	View/Open Request a copy

Show full item record

Extracted text

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОІЧНИЙ УНІВЕРСИТЕТ
ФАКУЛЬТЕТ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ І СИСТЕМ
КАФЕДРА РОБОТОТЕХНІКИ ТА СПЕЦІАЛІЗОВАНИХ КОМП’ЮТЕРНИХ СИСТЕМ

Пояснювальна записка
до кваліфікаційної роботи
освітнього ступеню «магістр»

на тему: ДОСЛІДЖЕННЯ АВТОМАТИЗОВАНИХ СИСТЕМ
ПОПЕРЕДНЬОГО ВИЯВЛЕННЯ ЛІСОВИХ ПОЖЕЖ

Виконав: здобувач 2 курсу, групи МАКІТ-2209
спеціальності 151 Автоматизація та
комп’ютерно-інтегровані технології,
освітня програма «Автоматизація
комп’ютерно-інтегровані системи та
компоненти»
Цимбал Л.М.
(Прізвище ім’я по-батькові)

Керівник Міценко С.А.
(Прізвище ім’я по-батькові)

Рецензент
(Прізвище ім’я по-батькові)

Черкаси 2023 року
2
ЗМІСТ

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ ........................................................................ 3
ВСТУП ......................................................................................................................... 4
РОЗДІЛ 1 АНАЛІЗ ЗАДАЧІ РОЗПІЗНАВАННЯ ПОЖЕЖІ ................................... 7
1.1 Причини виникнення лісових пожеж та їх класифікація .............................. 7
1.2. Проблеми моніторінгу розпізнавання пожежі ............................................ 11
1.3. Дослідження існуючих системи та методи розпізнавання пожеж. ........... 19
Висновки ................................................................................................................ 30
РОЗДІЛ 2 ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ СПОВІЩЕННЯ ПРО НЕБЕЗПЕКУ
ЛІСОВИХ ПОЖЕЖ .................................................................................................. 31
2.1. Дослідження інформаційно-технічних характеристик БПЛА .................. 31
2.2. Дослідження інформаційно-технічних характеристик пристроїв керування
БПЛА ...................................................................................................................... 39
2.3. Проектування інформаційної технології сповіщення про небезпеку
лісових пожеж........................................................................................................ 43
Висновки ................................................................................................................ 49
РОЗДІЛ 3 ФУНКЦІОНАЛЬНІСТЬ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ
ВИЗНАЧЕННЯ ЛІСОВОЇ ПОЖЕЖІ ....................................................................... 51
3.1. Інформаційна система визначення осередків лісових пожеж ................... 51
3.2. Засоби раннього виявлення осередків лісових пожеж ............................... 56
3.3. Ефективність функціонування інформаційної технології ......................... 59
Висновки ................................................................................................................ 70
ВИСНОВКИ ............................................................................................................... 71
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ................................................................. 73
3
ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ

АРМ – автоматизоване робоче місце
ГІС – геоінформаційна система
ІСМЛГ – інформаційні системи моніторингу лісових господарств
ІЧК – інфрачервона камера
ЛА – літальний апарат
ОП – операційний пристрій
ОС – операційні системи
ПЗ – програмне забезпечення
ПК – персональний комп'ютер
ПНО – потенційно небезпечні об'єкти
ППО – постійні пункти обліку
4
ВСТУП

Актуальність теми дослідження.
Протипожежний захист лісів визнається ключовою складовою для
забезпечення безпеки національних природних ресурсів, оскільки наслідки
лісових пожеж можуть мати катастрофічні наслідки для біосфери, атмосфери,
гідросфери та літосфери.
Основою стратегії охорони лісів від пожеж є заходи з запобігання та
раннього виявлення лісових пожеж. Ефективність цих заходів визначається
швидким реагуванням аварійних бригад та запобіганням розширенню епіцентру
лісової пожежі до екологічної катастрофи.
Незважаючи на наявність сучасних засобів моніторингу та протипожежної
охорони лісу, лісові пожежі часто переростають у серйозні екологічні кризи
через відсутність швидкого виявлення та ефективного припинення їх
поширення. Тому питання протипожежного захисту лісів залишається відкритим
і вимагає детального дослідження, а існуючі інформаційні технології, які не
повністю вирішують проблему раннього виявлення осередків лісових пожеж,
потребують удосконалення.
Однією з головних умов ефективного захисту лісів від пожеж є оперативне
виявлення їх осередків та своєчасне повідомлення відповідним службам про
небезпеку. Таким чином, розробка та вивчення моделей, методів та
інформаційних технологій для раннього виявлення осередків лісових пожеж, які
орієнтовані на мобільність та оперативність, є актуальною завданням сучасності.
Запропонована інформаційна технологія, яка включає в себе залучення
додаткових технічних ресурсів, що належать простим користувачам, до системи
раннього виявлення осередків лісових пожеж, спрямована на вирішення
проблеми, яка виникає внаслідок великих витрат на розробку
високотехнологічних засобів протипожежного захисту, що не завжди ефективно
відбувається.
5
Мета роботи – створення інформаційної технології раннього виявлення
лісових пожеж за допомогою безпілотних літальних апаратів на основі
розширення їх інформаційно-технологічних можливостей.
Об’єкт дослідження – процеси моніторингу стану пожежної безпеки лісу.
Предмет дослідження – автоматизовані системи попереднього виявлення
лісових пожеж.
Досягнення мети роботи передбачає розв’язання таких завдань:
1. Здійснити огляд інформаційно-технологічного забезпечення та
моделей, що використовуються в інформаційних, інформаційно-
пошукових та експертних системах підтримки прийняття рішень,
призначених для моніторингу та протипожежного захисту лісів.
2. Удосконалити методи автоматизованої обробки інформації переданої з
борту безпілотного літального апарату, з метою адаптації їх до
технічних характеристик пристроїв керування.
3. Спроектувати інформаційну технологію сповіщення рятувальних
служб в разі виявлення осередку лісової пожежі залученими
безпілотними літальними апаратами..
Методи дослідження. Для вирішення завдань виявлення осередків лісових
пожеж застосовано ряд методів, включаючи метод гістограм для підвищення
інформативності отриманих знімків, метод аналізу для зменшення розмірності
та зменшення шуму на зображеннях, метод нечіткої кластеризації для
визначення точок кластеру пожежі, а також методи паралельних розрахунків для
оптимізації ефективності та швидкості обчислень.
Наукова новизна одержаних результатів. У процесі розв’язання
поставлених задач отримано такі наукові результати:
1. Отримала подальший розвиток інформаційна технологія сповіщення
про пожежну небезпеку залученими неспеціалізованими безпілотними
літальними апаратами у випадку виявлення осередку лісової пожежі,
яка базується на розширенні їх інформаційно-технологічних
можливостей, що дасть змогу додатково інформувати служби.
6
2. Удосконалено метод автоматичного виявлення небезпеки лісової
пожежі на основі автоматичного визначення відносної кількості точок
зображення, що дало можливість підвищити оперативність визначення
осередків пожежі на цифрових зображеннях.
3. Удосконалено метод обробки відеопотоків для автоматизованого
пошуку осередків лісових пожеж з використанням паралельних
обчислень, що забезпечує розподіл та оптимізацію використання
ресурсів безпілотних літальних апаратів та пристроїв керування.
Практичне значення отриманих результатів. Впровадження
інформаційної технології для визначення осередків лісових пожеж дозволяє
розширити функціональні можливості залучених безпілотних літальних апаратів
за допомогою мультипроцесорної та мультимашинної архітектури, що
забезпечує надійне та оперативне сповіщення про виникнення осередків лісових
пожеж. Підвищення ефективності інформаційних систем протипожежного
моніторингу лісових насаджень через використання залучених безпілотних
літальних апаратів, обробку і передачу інформації у режимі реального часу.
Апробація результатів роботи. Результати кваліфікаційної роботи
доповідалися й обговорювалися на науковій конференції:
− «Topical aspects of modern Scientific research»: Тези доповідей четвертої
міжнародної науково-практичної конференції: (21-23 грудня 2023 р.,
Токіо), 2023.
Публікації. Результати досліджень опубліковані в:
1. Research of methods for automated recognition of falsified information /
S.Mitsenko, L.Tsimbal // «Topical aspects of modern Scientific research»:
Тези доповідей четвертої міжнародної науково-практичної
конференції: (21-23 грудня 2023 р., Токіо), 2023. – С. 67.
Структура та обсяг кваліфікаційної роботи. Кваліфікаційна робота
складається із списку умовних скорочень, вступу, трьох розділів, висновку та
списку використаних джерел. Загальний обсяг роботи складає 80 сторінок,
20 рисунків, 5 таблиць. Список використаних джерел містить 56 найменувань.
7
РОЗДІЛ 1
АНАЛІЗ ЗАДАЧІ РОЗПІЗНАВАННЯ ПОЖЕЖІ

1.1 Причини виникнення лісових пожеж та їх класифікація
Ліс є важливим ресурсом для України, оскільки лісовий фонд становить
10,4 млн гектарів або 17,2% території країни, з 9,6 млн гектарів покритих лісовою
рослинністю (лісистість 15,9%). Українські Карпати мають найвищий рівень
лісистості – 32%.

Рис.1.1. Класифікація лісових пожеж
8
Кожен рік на території України виникає понад 40 тисяч гектарів лісових
пожеж. Пожежі переважно виникають внаслідок необережного поводження з
вогнем, в той час як частка пожеж природного походження є невеликою
порівняно з тими, що виникають через антропогенну діяльність. Недостатньо
розвинена система спостереження за лісом в Україні призводить до
несвоєчасного виявлення пожеж.
Лісові пожежі несуть загрозу для населених пунктів та підприємств,
можуть спричинити знищення цінних порід дерев, а також призводять до
руйнування екосистем і забруднення довкілля токсичними продуктами горіння.
Пожежі також впливають на глобальне потепління клімату через викиди
шкідливих речовин і порушення природного вуглецевого циклу. Лісові пожежі є
стихійним поширенням вогню лісовою площею, існуючею класифікацією можна
поділити на різні типи (рис. 1.1)
Ця система класифікації дозволяє врахувати основні чинники, що
впливають на виникнення та розвиток лісових пожеж. Лісові пожежі можуть
бути поділені на швидкі (з високою швидкістю вітру) та стійкі. Окремо слід
розглядати трав'яні пожежі, часто відомі як сільськогосподарські пали.
Верхові пожежі виникають, коли горять крони дерев. Їх поділяють на
швидкі та стійкі. У побіжних верхових пожежах вогонь швидко поширюється по
кронах дерев у напрямку вітру, тоді як у стійких (повальних) вогонь
розповсюджується від підстилки до крони, охоплюючи всю деревину. Ці пожежі
виникають у хвойних деревостанах з низькоопущеними гілками, в багатоярусних
з рясним підростом, молодих насадженнях та в гірських лісах. Швидкість
верхових пожеж може становити від 300 до 1500 м/год (5-25 м/хв), а швидкість
утікаючої може досягати 4500 м/год і більше (75 м/хв і більше). Верховим
пожежам найбільш піддаються хвойні молодняки, кедрові зарості та гірські ліси.
Низові пожежі виникають, коли горить лісовий опад, включаючи дрібні
гілки, кору, хвою, листя, лісову підстилку, суху траву, живий грунт, трави, мохи,
молодий підріст та кору у нижній частині дерев. Вони поділяються на швидкі та
стійкі, відомі як біглі та стійкі низові пожежі відповідно. Бігла низова пожежа
9
найчастіше розвивається навесні, коли підсихає лише верхній шар дрібних
горючих матеріалів грунтового покриву та трав'яної рослинності. Їх швидкість
може бути значною - від 180 до 300 м/год (3-5 м/хв), залежно від швидкості вітру.
Стійкі низові пожежі виникають влітку, коли підстилка просихає на всю
глибину. Вони характеризуються повним згоранням грунтового покриву та
лісової підстилки, що призводить до серйозних пошкоджень дерев та зони росту.
Розглянемо окремо трав'яні пожежі, відомі як сільськогосподарські пали,
що виникають в результаті спалювання сухої трави на сільськогосподарських
угіддях, луках та пасовищах, особливо в долинах річок, переважно у весняний
період. Під час трав'яних пожеж горить торішня суха трава і стерня, залишена на
полях. Швидкість поширення пожежі залежить від сили вітру, при сильних
пожежах вогонь рухається швидко, але в зволожених місцях частина трави може
залишитися непочеркненою вогнем, а окремі ділянки можуть залишитися
непрогорілими. З припиненням вітру швидкість поширення зменшується, і
вогонь охоплює всю суху траву. Висота полум'я може варіювати від кількох
сантиметрів на стерні до 1-1,5 м на трав'яних ділянках та до 3-5 м при горінні
тростини.
Трав'яні пожежі становлять основну причину виникнення серйозних
пожеж у лісах та на торфовищах. Грунтова пожежа розвивається, коли вогонь
проникає в підстилку та торф'яний шар грунту. Їх можна розділити на
підстилково-гумусні, де горіння охоплює всю товщину лісової підстилки і
гумусного шару, та підземні або торф'яні, при яких вогонь розповсюджується по
торф'яному горизонті або торф'яному покладу під лісовим ґрунтом. Такі пожежі
призводять до згоряння коріння, вивалювання та падіння дерев, зазвичай,
вершинами до центра пожежі. Згарище, в більшості випадків, має круглу чи
овальну форму, а швидкість поширення вогню є незначною - від кількох десятків
сантиметрів до кількох метрів на добу. Характеристики основних типів пожеж
представлені в таблиці 1.1.
Класифікація пожеж за площею визначає:
− Загоряння (вогнем охоплено 0,1-2 гектари);
10
− Мінімальний (2-20 га);
− Середній (20-200 га);
− Великий (200-2000 га);
− катастрофічний (понад 2000 га).

Таблиця 1.1.
Характеристика лісових пожеж
Значення показників сили пожежі
Параметри пожежі
Слабкого Середнього Сильного
Низова пожежа
Швидкість
поширення вогню, До 1 1-3 Більше 3
м/хв
Висота полум’ я,
м До 0.5 0.5-1.5 Більше 1.5
Верхова пожежа
Швидкість
поширення вогню, До 3 3-100
Більше 100
м/хв
Підземна пожежа
Глибина пожежі, см До 25 25-100 Більше 50

В окремих випадках пожежі можна класифікувати з точки зору робіт,
пов'язаних із локалізацією та гасінням пожежі, а також порятунком людей та
матеріальних цінностей, за трема основними зонами: індивідуальні пожежі;
масові та суцільні пожежі; пожежі та тління у завалах.
Термін "ліс" охоплює значну площу землі, що включає густі деревні
насадження та іншу рослинність. Лісові екосистеми відзначаються важливістю з
численних причин: мільйони рослин та тварин знаходять у лісах свої домівки,
11
вони регулюють клімат, очищають повітря та воду, а також постачають безліч
цінних ресурсів. Незважаючи на їхню цінність, ліси стикаються із серйозними
загрозами, такими як вирубування, лісові пожежі та експлуатація лісових
ресурсів.
Багато лісів знищуються для відведення земель під сільське господарство
або видобуток корисних ресурсів, таких як деревина та мінерали. Глобальне
потепління є ще однією серйозною загрозою для лісів, оскільки зміни клімату
створюють умови для пожеж, шкідників та хвороб, загрожуючи їхньому
існуванню.
Захист лісів, як житлового середовища для безлічі видів, та усвідомлене
прийняття екологічно безпечних рішень можуть сприяти збереженню цих цінних
екосистем [32].
Лісові пожежі, які часто виникають в диких місцях через блискавку або
необережність людини, можуть бути надзвичайно руйнівними для життя, майна
та природних ресурсів. Важливо мати політику запобігання та програму
реагування на лісові пожежі для захисту будинків та громад. За допомогою
технологічних рішень, таких як Інтернет речей (IoT) та штучний інтелект (ШІ),
можна розробити системи раннього попередження з високою точністю.
Використання ключових датчиків для вимірювання параметрів, таких як
температура, вологість, швидкість вітру, дим та пожежа, може допомогти
створити моделі машинного навчання для прогнозування ймовірності пожежі та
її розвитку. Розробка таких моделей на основі аналізу попередніх подій може
допомогти у визначенні ризикованих областей та вдосконаленні стратегій
запобігання.

1.2. Проблеми моніторінгу розпізнавання пожежі
Пожежа – це неконтрольоване горіння, яке призводить до знищення чи
ушкодження матеріальних цінностей та створює загрозу для життя людей. У
будь-якій ситуації, навіть невелике загоряння, може спричинити виникнення
стихійного лиха. На сьогодні ймовірність виникнення та обмеженого поширення
12
пожежі через природні чинники не перевищує 20%. Більшість випадків лісових
пожеж є результатом антропогенної діяльності громадян [32]. Найбільш
поширені причини виникнення пожежі у лісі:
− безвідповідальна поведінка людей;
− дитяча витівка з вогнем;
− спалювання сміття поблизу житлових будинків та на території,
прилеглої до лісових масивів;
− удар блискавки;
− підпал.
Інфрачервоне випромінювання представляє собою електромагнітне
випромінювання, розташоване на спектрі між червоним світлом і
короткохвильовим радіовипромінюванням. Спостережене астрономом Вільямом
Гершелем у 1800 році, це випромінювання часом називають "тепловим,"
оскільки людська шкіра відчуває його як тепло від нагрітих тіл. Усі тіла, які
мають температуру відмінну від нуля, випромінюють інфрачервоне
випромінювання. Його широко використовують в промисловості, наукових
дослідженнях та медицині. У цих галузях розроблено безліч пристроїв, таких як
прилади для нічного бачення, термометри для вимірювання температури тіл та
тепловізори для виявлення теплових інфрачервоних випромінювань цілей.
Застосування теплового інфрачервоного фільтру у виявленні пожежі
дозволяє уникнути впливу задимлення та підвищити точність алгоритму
розпізнавання, зменшивши відсоток похибки. Виявлення пожежі на ранній стадії
перед переростанням у катастрофічну подію має велике значення для
подальшого контролю та порятунку людей і їхнього майна.
Хоча традиційні системи, такі як датчики диму, супутникові системи та
стаціонарні камери, широко використовуються для виявлення та моніторингу
пожеж, їхні обмеження вартості, часу та просторового розгляду стають
факторами, які обмежують їхню ефективність. У цьому контексті використання
безпілотних літальних апаратів (БПЛА) стає перспективним рішенням. Легкі та
компактні БПЛА відзначаються низькою вартістю, простотою експлуатації та
13
високою гнучкістю маневрування. Застосування їх з камерами для вивчення
пожеж дозволяє отримати переваги у порівнянні з традиційними тепловізійними
та інфрачервоними системами, такі як більш доступна ціна та простота в
експлуатації [16].
Лісові пожежі залишаються важливим природним фактором, що впливає
на глобальні екологічні зміни. На додаток до традиційних наземних систем
моніторингу (візуального, телевізійного тощо) та повітряного патрулювання, для
раннього виявлення пожеж використовуються супутникові системи
моніторингу. Це дозволило охопити велику територію, але точність і
своєчасність виявлення пожеж та оповіщення про них за допомогою одних лише
супутників все ще недостатня.
З іншого боку, моніторинг за допомогою безпілотних літальних апаратів
(БПЛА) вимагає значної кількості БПЛА, які мають вищу роздільну здатність,
ніж звичайні метеорологічні супутники, але обмежену дальність спостереження.
Цікаво порівняти ефективність використання даних супутників і БПЛА окремо з
ефективністю їхнього спільного використання.
Ідея спільного використання даних супутникового моніторингу та
інформації з БПЛА у вигляді автоматизованої системи ґрунтується на тому, що
якщо є приблизна вказівка на певний район виникнення проблеми, то
направлення БПЛА в цей район дасть змогу позиціонувати і виявити проблему з
необхідною точністю. Водночас, використання лише БПЛА без даних
супутникового моніторингу є неефективним, оскільки може призвести до
випадкового блукання і, як наслідок, випадкового виявлення лісових пожеж та
інших надзвичайних ситуацій.
Найпростіший спосіб оцінити ефективність такої системи - розглянути
середній час, необхідний для виявлення лісових пожеж, з урахуванням
ймовірності помилкових тривог і пропущених подій. Автоматизовані системи
аерокосмічного моніторингу лісових пожеж можна представити в загальному
вигляді (рис. 1.2).
14

Рис. 1.2. Структура автоматизованої системи моніторингу лісових пожеж

Дані супутникового моніторингу - це дані дистанційного зондування, що
надаються супутниками NOAA, Terra та іншими, які охоплюють великі території
з низькою та середньою просторовою роздільною здатністю і зберігаються в
електронній бібліотеці, яка постійно оновлюється. Ці дані відображаються на
електронній карті 1:100 000 геоінформаційної системи району управління, яка
15
також включає інформацію про лісові насадження, населені пункти, об'єкти, що
знаходяться в зоні ризику, та інші елементи інфраструктури. Якщо виявлено
лісову пожежу поблизу об'єктів інфраструктури в зоні управління, особа, яка
приймає рішення, дає команду безпілотному літальному апарату (БПЛА)
сформувати маршрут польоту. Завдання на політ для БПЛА формується
автоматично в режимі автоматичної генерації маршруту, який включає напрямок
до виявленого місця лісової пожежі; дані аерофотозйомки з БПЛА в режимі
реального часу відображаються на електронній карті масштабу не менше 1:5000
в геоінформаційній системі зони управління, що дозволяє ОПР оцінити стан
об'єкта ПЗФ та загрози. стан об'єкта ПЗФ та ступінь загроз, що дає змогу АРП
робити детальні оцінки та приймати ефективні управлінські рішення.
Оцінка ефективності аерокосмічних систем моніторингу лісових пожеж
дозволить оцінити ефективність супутникового та авіаційного моніторингу
окремо, виходячи з критерію мінімізації середнього часу виявлення осередків
лісових пожеж. Цей критерій було обрано через високу швидкість поширення
лісових пожеж. Ефективність системи повітряного моніторингу лісових пожеж
буде оцінюватися при спільному використанні цих підсистем.
Проблеми спутникового мониторинга
Особливо важливо звернутися до роботи [6] для вирішення проблеми
супутникового моніторингу лісових пожеж.
Розглянемо специфіку супутникового моніторингу на прикладі роботи
супутників метеорологічної орбітальної угруповання США NOAA: Система
моніторингу лісових пожеж на основі п'ятиканального скануючого радіометра
AVHRR, розміщеного на супутнику NOAA, тип орбіти (полярна орбіта), висота
орбіти (870 км) і кількість супутників на орбіті одночасно (до складу радіометра
AVHRR входить спектральний канал з довжиною хвилі 2,75 мкм (близька до
максимальної інтенсивності ІЧ-випромінювання лісових пожеж), а також канали
видимого і далекого ІЧ-діапазону спектру.
Ці канали дозволяють розрізняти вогонь, атмосферний фон і об'єкти на
поверхні землі, які не видно в 2,75-мікрометровому ІЧ-каналі. Однак слід
16
зазначити, що низька просторова роздільна здатність сканера AVHRR (близько
1 км2 в точці супутника) ускладнює використання цих даних для ефективного
виявлення лісових пожеж, що є значною проблемою для супутникового
моніторингу в лісових масивах.
Для вдосконалення супутникових систем моніторингу лісових пожеж на
різних рівнях (субпровінційному, федеральному та провінційному) необхідно
провести порівняльну оцінку їх ефективності, що потребує значних зусиль.
Важливою складовою геоінформаційної системи моніторингу лісових пожеж є
картографічна база даних про стан лісів і земного покриву. Ці дані необхідні для
оцінки просторового розподілу пожежної небезпеки в регіоні. Однак система
моніторингу є особливо важливою, оскільки моделі, які прогнозують пожежну
небезпеку в регіоні, наразі не застосовуються з необхідною точністю.
При цьому аерокосмічні засоби мають забезпечувати рішення наступних
основних завдань:
− раннє виявлення лісових пожеж, включаючи визначення їхніх
координат та площі горіння, а також оперативне повідомлення
споживачам цієї інформації;
− моніторинг динаміки розвитку раніше виявлених лісових пожеж до
їхньої повної ліквідації або припинення, визначення напрямків руху та
швидкості поширення кромки пожежі;
− енергетична діагностика краю лісових пожеж з визначенням рівня
тепловиділення;
− визначення обсягу снігозапасу та спостереження за кордонами
розташування сніжного покриву;
− визначення метеорологічних параметрів атмосфери, таких як
хмарність, осередки гроз, температура повітря та напрямок вітру;
− вимірювання температури поверхні, вологості ґрунту, фенологічний
стан лісів та лісопірологічне районування лісового фонду;
− оцінка рівня пожежної небезпеки для прилеглих насаджень та
прогнозування розвитку лісових пожеж.
17
Перерахуємо основні вимоги до системи супутникового моніторингу
пожежонебезпеки :
1. виявлення лісових пожеж здійснюється в зоні державного лісового
фонду, яка обмежена територією між 45° пд. ш. і 72° пд. ш. та між 20°
зх. д. і 170° зх. д. і охоплює загальну площу 118 мільйонів гектарів
2. частота перевірок території для виявлення та моніторингу лісових
пожеж не повинна перевищувати однієї години вдень і трьох годин
вночі. Менша частота також допускається через обмежені технічні
можливості, оскільки існуючі системи дозволяють здійснювати
повітряний моніторинг не частіше одного разу на добу.
3. інформація про задимленість, димові шлейфи та стовпи диму в зонах
лісових пожеж повинна надаватися щонайменше двічі на добу
4. ймовірність виявлення лісових пожеж площею до 0,1 га повинна
становити не менше 0,8, до 0,5 га - 0,95, до 2 га - 0,99. Ймовірність
правильного виявлення хмари джерела повинна бути не менше 0,95.
5. точність визначення координат лісової пожежі повинна бути не менше
0,5 км. Для швидкого визначення меж пожежі допустима похибка 50-
100 метрів при площі пожежі 10-15%.
6. точність визначення меж задимленості площі пожежі повинна бути не
менше 1 км.
Аналіз літературних даних дозволяє зробити такі висновки.
1. моніторинг лісових пожеж з космосу без атмосферної корекції
супутникових даних, як правило, практично неможливий
2. існують окремі приклади [7,12] процедур, що апроксимують оптичні та
геометричні умови спостереження в алгоритмах супутникового
моніторингу лісових пожеж. Однак вплив цього фактору на
ефективність раннього виявлення осередків пожеж з космосу не
досліджувався.
Отже, коректне вирішення проблеми раннього виявлення вогнищ пожеж із
космосу передбачає створення алгоритмів, які:
18
− (A) Альтернативно, явно включити крок атмосферної поправки, який
робить точне правило незалежним від оптичних і геометричних умов
спостережень поверхні з космосу;
− (B) Відповідно до атмосферних умов.
Основними супутниками для виявлення лісових пожеж є супутники
TERRA та AQUA із встановленим на їх борту спектрометром MODIS (Moderate
Resolution Imaging Spectroradiometer) та супутники NOAA із спектрометром
AVHRR (Advanced Very High Resolution Radiometer) [7,12].
Спектрометр MODIS оснащений 44 каналами у різних видимих та
інфрачервоних діапазонах, з просторовим дозволом від 250 метрів до 1 кілометра
для одного пікселя у різних каналах. У інфрачервоному діапазоні просторова
роздільна здатність складає 1 кілометр. При ідеальних умовах зйомки, цей
прилад здатний виявляти пожежу на площі 50 метрів квадратних. Супутники
TERRA та AQUA проводять спостереження за певною точкою на поверхні Землі
від 4 до 12 разів на добу, залежно від географічного розташування.
Спектрометр AVHRR, обладнаний 6 каналами, має просторовий дозвіл
одного пікселя 1,1 кілометра та періодичність зйомки від 2 до 4 разів на добу.
Для нормального рослинного покриву, основна частина випромінювання
припадає на 10 мікрометрів.
Для виявлення лісових пожеж використовують різні методи, які базуються
на аналізі температурних та яскравісних аномалій. Зйомка вогніща пожежі може
відбуватися тепловою апаратурою з просторовим дозволом 1 кілометр,
дозволяючи виявити площу пожежі 100 метрів квадратних та зону тління 900
метрів квадратних. При візуальному виявленні пожежі, визначення проводиться
за наявністю димового шлейфу.
Серед недоліків супутникового моніторингу слід зазначити значну площу
мінімально виявленого вогнища (20-50 гектарів), обмежену частоту отримання
даних (кілька разів на добу) та значний вплив погодних умов. Алгоритми
виявлення пожеж поділяються на порогові та контекстуальні, базуючись на
аналізі температурних аномалій та контрастів з навколишнім середовищем.
19
Проблеми аеромоніторингу з БПЛА
Останнім часом системи відеоспостереження, які встановлені на
безпілотних літальних апаратах і взаємодіють через мережу 5G, знаходять все
більше застосувань у різних областях, таких як моніторинг місцевості,
рятувальні операції, відстеження поширення лісових пожеж та спостереження за
сільськогосподарськими територіями [6].
З урахуванням збільшення кількості безпілотних літальних апаратів, які
використовуються одночасно, виникають нові виклики. Кожен учасник групи
БПЛА отримує значний обсяг відеоматеріалу, який потрібно обробляти в
реальному часі. Обмежена можливість локальної обробки даних на БПЛА стає
фактором, що обмежує ефективність моніторингу.
Введенням безпілотних літальних апаратів, які комунікують між собою та
можуть взаємодіяти з хмарою даних або базою даних на земній станції, виникає
необхідність вивчення якісних характеристик каналів зв'язку в умовах
змінюючогося зовнішнього потоку даних.
У даній роботі ми обмежимося використанням одного апарату, і не будемо
займатися деталями цього аспекту. Важливим є відзначити, що патрулювання
лісовою авіацією, як ефективний метод виявлення лісових пожеж у реальному
часі, має свої витрати на створення та експлуатацію, але цей аспект не
розглядається в даній роботі.
Математичну основу розрахунку траєкторій БПЛА у нашій роботі надає
модель випадкового блукання, яка була представлена у [18,19]. Випадкове
блукання є фундаментальною моделлю для стохастичної активності та пояснює
спостережувану поведінку багатьох процесів у різних галузях.

1.3. Дослідження існуючих системи та методи розпізнавання пожеж.
Wireless sensor network
Виявлення лісових пожеж стало актуальною темою для багатьох
досліджень протягом останнього десятиліття через збільшення кількості
повідомлень про такі випадки з усього світу та серйозні наслідки для суспільства
20
та природи. Було розроблено різні методи виявлення лісових пожеж, включаючи
системи на основі камер, мережі бездротових датчиків (WSN) і застосунки
машинного навчання, що мають свої позитивні та негативні перспективи.
За використання кількох джерел датчиків та розгортання вузлів датчиків у
невидимих для супутників зонах, бездротові сенсорні мережі виявляються більш
перспективними для точного та раннього виявлення лісових пожеж. Багато
дослідників акцентували увагу на параметрах навколишнього середовища, таких
як температура повітря, відносна вологість, тиск, звук, інтенсивність світла,
вологість ґрунту та інші, для визначення умов виникнення лісових пожеж.
Враховуючи слабкість акумуляторів у лісистих районах, де важко
проводити регулярне замінення, і враховуючи великі витрати на проведення
дротового живлення, багато дослідників пропонували використання сонячних
систем як вторинних джерел енергії, акумуляторних батарей як основних джерел
живлення або сонячних батарей, які пропонують більш тривалу службу.
Для зменшення енергоспоживання сенсорних вузлів запропоновано
методи, такі як утримання лише обраних компонентів увімкненими. Більшість
систем виявлення на основі WSN зорієнтовані на базову станцію через обмежену
потужність та обробку вузлів, а важливі дані передаються на базову станцію для
подальшої обробки та взяття відповідних заходів.
Під час створення бездротових сенсорних мереж (WSN) основною метою
є обмін даними між відповідними об'єктами. Зіркоподібна та мережева топології
сітки вже були пропоновані в різних дослідженнях через їхні переваги для систем
WSN. Сітчаста топологія обрана через її здатність до самоорганізації,
самоналаштування та автоматичного визначення між вузлами в мережі.
Концепції, засновані на центрах кластерів, використовувалися для зменшення
споживання енергії, залучаючи менше вузлів до передачі.
Структура мережевої топології дерева кластерів була запропонована для
мінімізації втрат енергії та даних під час передачі. Використання техніки k-
покриття було запропоновано для ефективного виявлення подій з мінімальним
енергоспоживанням. Зокрема, використання модуляцій з низьким споживанням
21
енергії (LPWAN) таких як LoRa, ZigBee та XBee, було рекомендовано для
забезпечення ефективної комунікаційної інфраструктури.
Щоб зменшити витрати та енергоспоживання, запропоновано нову схему
локалізації, яка розділяє лісову територію на сітки та розподіляє їх на зони з
відповідним рівнем активності. Вузли датчиків на різних висотах та накриття
вузлів датчиків були також запропоновані для максимальної ефективності
виявлення.
Методи виявлення пожежі на основі порогових значень, змінюваних з
урахуванням географічних, кліматичних та сезонних змін, були розглянуті для
підвищення точності виявлення. Застосування технологій машинного навчання,
таких як класифікація опорних векторів (SVM) та методи регресії, було
рекомендовано для покращення точності, але існують обмеження, такі як
енергетичні та обчислювальні обмеження.
«FireWatch»
Структурну схему автоматизованої системи виявлення лісових пожеж
"FireWatch" представлено на рис. 1.3-1.4 [35]

Рис. 1.3. Структурну схему автоматизованої системи виявлення лісових пожеж
"FireWatch"
22
Система складається з різних датчиків, включаючи монохромний датчик
високої роздільної здатності для отримання чіткої картинки в денний час доби,
датчик нічного бачення для роботи в повній темряві, RGB датчик для
розкладання кольорової картинки та тепловий датчик (опціонально) для
виявлення гарячих зон. Крім того, існує опорний пристрій з оптимізованими
параметрами, який може обертатися на 360 градусів по горизонталі та в межах -
90 ° ... +45 ° по вертикалі.
Система працює на принципі виявлення хмар диму. Кожні 6 хвилин
сенсор, розташований на висоті 10 метрів, обертається на 360 градусів і виявляє
наявність диму. При виявленні диму генерується сигнал тривоги, який
відправляється до центру управління через бездротове з'єднання. Оператор при
цьому приймає рішення про подальші дії. Система проводить аналіз шести
монохромних зображень та розкладає дані з RGB камери на три окремі канали
для кращого виявлення контурів диму. Робочий принцип системи FireWatch
ілюструється на рисунку 1.5.

Рис. 1.4. Сенсора системи FireWatch
23

Рис. 1.5. Принцип роботи системи FireWatch

Система FireWatch виявляє дим та подібні явища за допомогою
мультиспектрального датчика, який об'єднує три-чотири оптичні датчики.
Оператор отримує реальночасову інформацію з усіх оптичних блоків, які входять
до складу комплексу. Ця інформація включає панорамні зображення
контрольованих областей, окреме відео з вибраного оптичного блоку та
інтерактивну карту покриття територій комплексом IQ FireWatch.
Завдяки використанню декількох датчиків система поєднує давно
перевірені переваги оптичного виявлення диму з перевагами теплового
виявлення і, залежно від конкретного застосування, уникає недоліків обох
методів. Це дозволяє оптимально адаптувати систему до різних вимог.
До основних недоліків системи можна віднести високі витрати на
встановлення, обмежене поле зору (наявність сліпих зон) та значний вплив
погодних умов на роботу системи. Наприклад, система може не працювати
належним чином в умовах туману.
24
Forest Fire Detection Using Artificial Neural Network Algorithm
Implemented in Wireless Sensor Networks
Yongsheng Liu, Yansong Yang, Chang Liu, Chang Liu та Yu Gu з Інституту
мережевих технологій у Китаї розробили систему виявлення лісових пожеж за
допомогою бездротових сенсорних мереж (Wireless Sensor Networks або WSN) з
використанням штучних нейронних мереж [27].
Дослідники вважають, що системи, засновані на єдиному критерії
виявлення лісових пожеж, збільшують ймовірність помилкових тривог. Тому
їхні алгоритми враховують кілька ознак. Хибні тривоги трапляються, але
основною причиною є чутливість модуля виявлення диму до білих частинок від
тліючих пожеж і пилу.
Модуль виявлення пожежі відповідає за прийняття рішень і передачу
тривожних сигналів, він складається з п'яти сенсорних вузлів, чотири з яких
збирають дані про ймовірність загоряння. Кожен сенсорний вузол оснащений
нейронною мережею; п'ятий сенсорний вузол виконує роль базової станції і
збирає дані про виявлення та пожежну тривогу з інших чотирьох вузлів за
допомогою бездротового зв'язку.
Для забезпечення безперервної роботи сенсорної системи встановлені
сонячні панелі. Оскільки в лісі сонячне світло надходить лише з перервами, були
розроблені спеціальні сонячні панелі, які накопичують енергію в
суперконденсаторах.
Модуль інтерфейсу користувача відповідає за відображення даних,
зібраних з датчиків. Дані про виявлення та пожежну тривогу передаються з
базової станції користувачеві через Інтернет, що дозволяє користувачеві
залишати систему пожежогасіння.
Виявлення подій за допомогою WSN може використовуватися в різних
додатках, де просторово розподілені сенсорні вузли надсилають інформацію про
події на базову станцію в певний час для виявлення подій [11]. У цій статті
пропонується підхід машинного навчання на основі дерева рішень для виявлення
подій. Побудовано різні моделі та визначено продуктивність запропонованого
25
підходу за складністю та точністю [23]. Основні завдання, поставлені перед
розробниками системи, включають:
− Вивчення різноманітних аспектів боротьби з лісовими пожежами за
допомогою іншої платформи.
− Розробка вбудованої системи, що відстежує параметри в лісі за
допомогою IoT.
− Розробка структури за допомогою туману для інтелектуальної системи
управління лісовими пожежами з використанням машинного навчання.
− Перевірка та аналіз продуктивності запропонованої системи. Блок-
схема системи наведена на рис. 1.6.

Рис. 1.6. Блок-схема системи

В якості компонентів використовується мікроконтролерний вузол ESP32
MCU. ESP32 є частиною доступних систем з низьким енергоспоживанням, які
включають в себе вбудовані мікроконтролери з Wi-Fi та Bluetooth у режимі двох
частот. В серії ESP32 можна знайти мікропроцесор Tensilica Xtensa LX6, який
використовується в якості одноядерного або двоядерного варіанта, або
26
двоядерний мікропроцесор Xtensa LX7, або одноядерний мікропроцесор RISC-
V. Крім того, ESP32 включає в себе вбудовані антенні перемикачі,
радіочастотний балун, підсилювач потужності та модулі управління живленням
з низьким рівнем шуму. Розроблений і вироблений компанією Espressif Systems
з Шанхая, ESP32 виготовляється з використанням 40-нм техпроцесу TSMC. Цей
мікроконтролер є наступником ESP8266.

Рис. 1.7. ESP WROOM-32 module with ESP32-D0WDQ6 chip

Запропонована система виявлення фокусується на двох ключових
функціях: ранньому виявленні та повідомленні відповідним владам про
необхідність порятунку.
По-перше, блок виявлення включає детектори диму, тепла та сповіщувачі,
а також прикріплену камеру для фактичної візуалізації.
По-друге, контролер виконує одночасні операції залежно від ступеня
небезпеки, включаючи висилання тривоги для негайного повідомлення,
активацію розбризкувача води, увімкнення електроживлення, та повідомлення
аварійно-рятувальних служб та власника з вказанням адреси об'єкта.
Сенсорний шар забезпечує моніторинг параметрів у сценарії лісової
пожежі, використовуючи датчики температури повітря, вологості, температури
27
та вологості ґрунту, а також датчик диму/CO2. Шар туману відповідає за
прийняття рішень та управління діями на сенсорному рівні. Дані з датчиків
обробляються за допомогою алгоритму машинного навчання, включаючи
генерацію даних, збір і агрегацію даних, фільтрацію, класифікацію та
обчислення. Результати візуалізуються на хмарному рівні для легкого
моніторингу стану лісового середовища.
Image-Based Fire Detection Using Neural Networks
Вен-Бінг Хорнг та Цзянь-Вен Пенг з Національного університету Тайваню
(факультет комп'ютерних наук та інженерії) розробили алгоритм виявлення
пожежі на основі зображень з використанням нейронних мереж зі зворотним
поширенням [4]. Стратегія складається з трьох етапів: розділення кольорових
патернів полум'я, виокремлення хибних областей, схожих на пожежу, та оцінка
пожежної небезпеки. На першому етапі три компоненти моделі HSI кожного
пікселя (відтінок, насиченість і світлота) подаються в процес навчання нейронної
мережі. Пікселі зафарбовуються в чорний колір, якщо полум'я не виявлено,
інакше вони відображаються у своєму оригінальному кольорі. Можливими
джерелами помилок є відблиски полум'я та об'єкти зі схожими кольорами. У
першому випадку ділянки можна відфільтрувати, видаливши найменш
інтенсивні пікселі; у другому випадку береться до уваги колір тла об'єкта. Якщо
кольори фону схожі або дуже схожі, метод різниці видаляє об'єкт із зображення.
Проблема моніторингу лісових пожеж в сучасному світі стає все більш
актуальною і складною. Зростання частоти та інтенсивності пожеж в лісах,
спричинене змінами клімату, призводить до серйозних наслідків для екосистем,
загрожує безпеці населення та економіці. Проблема ускладнюється великими
територіями лісів, розташованими в віддалених та важкодоступних районах.
Традиційні методи виявлення та моніторингу лісових пожеж, такі як
супутникові спостереження та патрулюючі команди, мають обмежену
ефективність, особливо в реальному часі. Необхідність оперативної реакції на
пожежу визначає необхідність вдосконалення систем виявлення та контролю.
28
Додатковою складністю є змінність кліматичних умов та важкодоступність
багатьох лісових масивів. Лісові пожежі викликають серйозні зміни в
екосистемах, втрати біорізноманіття та викиди вуглекислого газу, що
погіршують глобальні екологічні проблеми.
Розробка та впровадження новітніх інформаційних технологій для
моніторингу лісових пожеж стає надзвичайно важливою. Такі технології мають
забезпечувати швидке виявлення та реакцію на пожежі, зменшуючи їх вплив на
природне середовище та людське життя.
Відсутність надійних універсальних засобів розвідки осередків лісових
пожеж на ранніх стадіях загоряння призводить до переростання малих осередків
в широкомасштабні катастрофи. Тому питання протипожежного захисту лісів
сьогодні залишається відкритим та потребує детального вивчення, а наявні
інформаційні технології, що не забезпечують в повній мірі вирішення питання
раннього виявлення осередків лісових пожеж, підлягають удосконаленню.
Значному підвищенню пожежної небезпеки сприяє постійне зростання
рекреаційного навантаження на ліси. Як правило, пожежна небезпека в лісових
масивах посилюється навесні та наприкінці літа під впливом людського фактора
та погодних умов. За даними статистичних показників Українського науково-
дослідного інституту цивільного захисту (УкрНДІЦЗ) за останні роки
спостерігається тенденція до збільшення лісових пожеж, основною причиною
яких є необережне поводження людей з вогнем. За даними статистики понад 98%
пожеж виникає через масові порушення вимог пожежної безпеки з боку
населення [11].
Особливо гостро це питання постає під час найбільш засушливого літнього
періоду в місцях, на які припадає найбільше рекреаційне навантаження – в
приміських лісових масивах, заповідниках, під час етнографічних, пісенних
фестивалів, що проводяться на природі, народних гулянь, туристичних зльотів.
Для того, щоб учасники таких заходів не стали винуватцями або заложниками
лісової пожежі, для особистої та суспільної безпеки, в програму проведення
заходів завжди включені вимоги та суттєві обмеження, що стосуються
29
безпечного повождення з вогнем. Так, купуючи квиток на будь-який з численних
open-air фестивалів («Polyana Music Fest», Zaxid Fest, «Писанка», «РОК Булава»,
«Заліщики Фест» тощо), учасник автоматично погоджується з правилами
перебування, встановленими на території проведення фестивалю. У випадку
порушення цих правил квиток автоматично анулюється, а адміністрація залишає
за собою право вигнати порушника [10]. Однак, незважаючи на усі заходи
безпеки, що впроваджуються організаторами, щорічно спостерігається різке
збільшення кількості лісових пожеж у період свят і вихідних днів, коли велика
кількість громадян виїзджає в ліс.
У 2017 році Верховна Рада України внесла зміни до деяких законодавчих
актів щодо імплементації європейських екологічних норм про охорону
середовища рідкісних видів тварин і рослин №2604. Зокрема, за порушення
правил пожежної безпеки в лісах штрафи для громадян збільшені з 1–3
неоподатковуваних мінімумів до 5–15. Якщо необережне поводження з вогнем
призводить до пожежі, громадяни України повинні заплатити штраф у розмірі
15–50 неоподаткованих мінімумів [10,11].
У Держлісагентстві постійно попереджають, що туристи та усі інші
відвідувачі лісів зобов’язані виконувати правила пожежної безпеки в лісі та
повідомляти лісогосподарське підприємство, територіальний підрозділ
рятувальної служби, місцеві органи влади у разі виникнення лісової пожежі [11].
Однак, незважаючи на всі зусилля з боку уряду, проблема боротьби з лісовими
пожежами, основною причиною яких в більшості випадків є люди, не втрачає
своєї актуальності.
Таким чином, за офіційними статистичними даними, небезпека лісових
пожеж в усьому світі залишається високою. Щорічно руйнівній силі вогню
піддаються великі масиви лісів як в Україні, так і в усьому світі. Однією з
основних причин є необережність у поводженні з вогнем. Значному підвищенню
пожежної небезпеки сприяє постійне зростання рекреаційного навантаження на
ліси.

30
Висновки
Аналіз задачі розпізнавання пожежі вказує на необхідність впровадження
ефективних систем виявлення та моніторингу пожежних подій. Використання
сучасних технологій, таких як системи візуального аналізу зображень та
штучний інтелект, може значно підвищити точність та швидкість виявлення
пожеж і вчасного реагування. Важливо звернути увагу на розвиток алгоритмів,
які здатні розпізнавати різні типи пожеж та їхні стадії. Також необхідно
враховувати можливість інтеграції з системами автоматизованого керування
пожежогасінням для швидкого реагування на виявлені загрози.
Взаємодія з іншими системами безпеки, такими як системи виявлення
диму та системи евакуації, може покращити загальну ефективність
протипожежної безпеки. При цьому слід враховувати аспекти конфіденційності
та захисту даних при обробці інформації. Розвиток та впровадження передових
технологій в області розпізнавання пожежі може суттєво підвищити рівень
безпеки та зменшити можливі наслідки пожежних подій.

31
РОЗДІЛ 2
ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ СПОВІЩЕННЯ ПРО НЕБЕЗПЕКУ
ЛІСОВИХ ПОЖЕЖ

2.1. Дослідження інформаційно-технічних характеристик БПЛА
Розширення функціональних можливостей безпілотних літальних апаратів
(БПЛА), які проводять моніторинг у фоновому режимі, надасть можливість
виконувати додатковий протипожежний моніторинг лісів без використання
додаткового обладнання. Це досягається розподілом наявних ресурсів, зокрема
лише використання вбудованих відеокамер, що входять до базового комплекту,
для протипожежного моніторингу. Це стає особливо актуальним під час
інтенсивного рекреаційного користування, наприклад, на пісенних фестивалях,
спортивних змаганнях та туристичних походах, де молодь, власники та активні
користувачі БПЛА, прагнучи новітніх розваг, є основними учасниками.
Зазначеної мети досягається шляхом розширення функціоналу БПЛА,
дозволяючи їм паралельно виконувати протипожежний моніторинг лісу, на фоні
виконання їхніх основних завдань, таких як розваги, екстрим-зйомка та
репортажі про події. У разі виявлення осередків пожежі БПЛА автоматично
надсилає сигнал про небезпеку до відповідних служб ДСНС, що створює
ефективний мобільний пункт додаткового спостереження.
Для визначення сегменту можливих використовуваних БПЛА був
проведений аналіз та визначено необхідний набір технічних характеристик для
їх інтеграції в систему протипожежного моніторингу лісу. БПЛА виконують
завдання повітряної розвідки епіцентрів лісових пожеж та передають сигнал про
небезпеку. Зазначені вимоги до БПЛА та пристроїв мобільного керування
включають швидкість, маневреність, стійкість до вітру, значний радіус польоту,
відносно невисоку вартість, можливість автоматичного повернення на точку
запуску при втраті управління, GPS-визначення місця знаходження, зависання на
місці для фотозйомки, обминання перешкод, передачу відео в реальному часі та
32
можливість запису на різні пристрої. Сучасні моделі БПЛА поділяються на три
категорії: міні-БПЛА, БПЛА із середнім радіусом польоту та БПЛА з великим
радіусом польоту.
Основні характеристики міні- БПЛА
Час польоту може коливатися в межах від 3 до 10 хвилин. Незважаючи на
те, що цей показник може здатися надто коротким, варто враховувати, що
користувач має справу з компактним і вкрай зручним пристроєм. Ще одним
важливим аспектом є дальність дії пульта дистанційного управління для
безпілотних літальних апаратів. У цьому випадку стандартний міні-БПЛА
здатний утримувати зв'язок на відстані від 40 до 50 метрів. Варіювання цього
показника може спостерігатися від 20 до 80 метрів, що, враховуючи клас
пристрою, вважається прийнятною дальністю для управління. Іншим важливим
критерієм є час заряджання, який може становити до 1 години, хоча у більшості
випадків рухається в межах 30–40 хвилин. Однією з ключових характеристик є
також габарити, і в цьому сегменті міні-БПЛА не мають жорстких обмежень, що
призводить до значних варіацій у їхніх розмірах.
Щодо можливостей та функціональності відеозйомки, безпілотні літальні
апарати (БПЛА) вважаються високотехнологічними пристроями, і їхні функції
постійно розширюються. Останні додатки включають в себе наявність
акселерометра і гіроскопа, різні режими швидкісного обертання гвинтів, осьову
стабілізацію та можливість виконання 3D-трюків. Важливим додатком
вважається вбудована відеокамера, якою можна фіксувати зображення, доступне
для перегляду самим БПЛА. На жаль, міні-БПЛА не завжди можуть забезпечити
високоякісне фото- та відеозображення, хоча в цьому напрямку спостерігаються
технічні досягнення. Наприклад, початкові моделі оснащені камерами на 0,3 Мп,
але у вищих версіях з'являються камери на 2 Мп і більше. Також проводяться
спроби впровадження можливості прямої трансляції, хоча це може призвести до
збільшення розмірів БПЛА.
Отже, можна зробити висновок, що наразі функціонал міні-БПЛА може не
задовольняти вимоги для вирішення завдань пошуку осередків пожеж у
33
фоновому режимі. Тому включення таких апаратів до запропонованої ІТ-
системи є сумнівним.

Таблиця 2.1
Основні інформаційно-технологічні характеристики сучасних моделей
БПЛА
Flying 3D
Модель
DJI Phantom Typhoon X6 Plus

2 Vision+ DJI Phantom 4 Q500 5.8G FPV,
Характеристики FreeX
MCFX
Час польоту (хв) 25 28 25 25
Дальність передачі
даних від
оператора управління 1 5 4 5
(км)
Частота Wi-Fi (ГГц) 2,4 2,4 2,4 2,4; 5
Максимальна швидкість 54 м/с 72 км/год 50 км/год 100 км/год
Висота (м) 500 500 400 500
Якість відеозапису 4К
1080р (або 1080р) 1080р 1080р
Якість передачі відео 720р 720р 1080р 1080р
Частота 30
(кадрів за секунду) 30 (або 120) 60 24–60
Фото (Мп) 12 12 12 12

Основні характеристики БПЛА середнього радіусу дії.
Зазвичай такий безпілотний літальний апарат має середню довжину 25 см,
а висота стандартної моделі складає 10 см. Гвинти використовуються різних
34
діаметрів, що значно залежить від потужності двигуна. До стандартної
комплектації БПЛА входять акумулятори, і тривалість польоту змінюється в
залежності від їхньої ємності. Середня дія пристрою становить 3000–3500
метрів. Приймачі використовуються як низької, так і високої частоти, а для
передачі сигналу на пульт застосовується передавач. Камери у моделей можуть
бути встановлені на 2 або 4 Мп.
Найпопулярніші з них наступні:
1) Syma X5SW
Особливості: радіокерування, радіус дії до 150 м. Акумулятор 5,5 мАг, до
500 хвилин польоту. Вага: 1216 g. Зовнішня камера з роздільною здатністю
матриці 2 мегапікселі та роздільною здатністю відео 720p в комплекті.
2) DJI Phantom 3 Standard
Характеристики: максимальна висота польоту 6 км, максимальна
швидкість польоту 16 м/с, вбудований датчик GPS, радіоуправління, функція
автопілота, слідування за оператором, повернення до точки зльоту, дальність
керування до 1 км, Wi-Fi. Акумулятор 4480 мАг до 25 хвилин польоту. Вага: 1216
g. Камера: зовнішня, роздільна здатність 12 Мп, кут огляду 94°, роздільна
здатність відео 1080p, роздільна здатність фото 4000 x 3000.
3) DJI Phantom 3 Professional
Технічні характеристики: максимальна висота польоту 6 км, максимальна
швидкість польоту 16 м/с, вбудовані датчики GPS і ГЛОНАСС, радіоуправління,
функція автопілота, слідування за оператором, повернення до точки зльоту,
дальність керування до 2 км, Wi-Fi. Акумулятор 4480 мАг для 23 хвилин
польоту. Вага: 1280 g. Камера: зовнішня камера в комплекті, роздільна здатність
12,4 Мп, кут огляду 94°, роздільна здатність відео 4K (2160p), роздільна здатність
фото 4000x3000.
4) DJI Phantom 4
Технічні характеристики: максимальна висота польоту 6 км, максимальна
швидкість польоту 20 м/с, вбудовані датчики GPS і ГЛОНАСС, радіоуправління,
функція автопілота, стеження за оператором, повернення до точки зльоту,
35
система об'їзду перешкод, дальність маневрування до 3,5 км, Wi-Fi. До 28
акумуляторів 5350 мАг до 5350 хвилин польоту. Розміри 289,5x289,5x196 мм,
вага 1380 г. Камера: зовнішня камера в комплекті, роздільна здатність 12,4 Мп,
кут огляду 94°, роздільна здатність відео 4K (2160p), роздільна здатність фото
4000x3000.
5) DJI Phantom 4 Pro.
Технічні параметри включають максимальна висота польоту 6 км,
максимальна швидкість польоту 20 м/с, вбудовані датчики GPS і ГЛОНАСС,
радіоуправління, функція автопілота, моніторинг оператора, повернення до
точки зльоту, дальність маневрування до 3,5 км, вбудований Wi-Fi. Акумулятор
ємністю 5870 мАг - до 30 хвилин польоту. До 30 хвилин польоту з акумулятором
5870 мАг. Важить 1388 грамів. Що стосується камери, то в комплекті є зовнішня
камера з 20-мегапіксельною матрицею, кутом огляду 84°, роздільною здатністю
відео 4K (2160p) і фото 5472x3648.
Phantom 4 Pro має більший сенсор і покращену камеру, здатну записувати
відео 4K зі швидкістю 60 кадрів на секунду і 14 фотографій на секунду в режимі
серійної зйомки. Камера була значно покращена завдяки 1-дюймовому CMOS-
сенсору з роздільною здатністю 20 мегапікселів, що є значним поліпшенням у
порівнянні з попередньою моделлю з роздільною здатністю 12,4 мегапікселя.
Об'єктив складається з восьми елементів у семи групах. Вперше в камері такого
розміру використовується механічний затвор, що дозволяє знімати динамічні
сцени без ефекту "желе".
Дрон може виявляти перешкоди з п'яти напрямків і уникати зіткнень з
чотирьох (Phantom 4 виявляє перешкоди тільки спереду). Це полегшує роботу
операторам і дозволяє знімати більш складні сцени.
Вбудований 5,5-дюймовий дисплей з роздільною здатністю Full HD
(1080p) має яскравість 1000 кд/м2, що вдвічі яскравіше, ніж у звичайного
планшета. Додаток DJI GO 4 завантажується безпосередньо на екран,
дозволяючи користувачам оновлювати прошивку, редагувати і ділитися
відзнятим матеріалом без смартфона або планшета. Пульт працює до п'яти годин
36
від одного акумулятора. Вбудована технологія передачі сигналу Lightbridge
передає високоякісне відео на відстані до 7 км. Збільшена ємність акумулятора
забезпечує довший час роботи в режимі очікування.
Основні характеристики дронів великого радіуса дії.
Зазвичай такі безпілотні літальні апарати (БПЛА) відрізняються розбірною
конструкцією, на відміну від дронів середнього радіуса дії, що надає можливість
користувачу модифікувати дрон згідно зі своїми потребами. Ці БПЛА
класифікуються за потужністю:
1. Моделі на 2 кВт:
− Рама складається із трьох стійок, і двигун встановлюється в середній
частині пристрою.
− Використовуються передавачі з частотою 2 Гц, а довжина рами не
перевищує 22 см.
− Для стабілізації пристрою в польоті застосовується демпфер із
датчиком висоти, а камера кріпиться на кронштейні.
2. Моделі з мотором на 3 кВт:
− Двигун розміщено на підкладці, а датчик висоти конденсаторного типу
використовується найчастіше.
− Частота роботи приймача - 3 Гц.
− Стабілізація моделі в польоті здійснюється за допомогою стабілітрона.
− Фюзеляж складається із пластикової рами на чотири стійки, а довжина
становить приблизно 23 см.
3. БПЛА на 5 кВт:
− Складно зібрати БПЛА 5 кВт з великим радіусом дії, призначеним для
дротяного типу приймачів.
− Камера розташована під двигуном, а кронштейн для неї може бути
поворотного типу.
4. БПЛА з великим радіусом дії і камерою FPV на три стійки:
− Мотори зазвичай мають невелику потужність.
37
− Стабілізація пристрою в польоті здійснюється за допомогою селектора.
5. БПЛА на чотири гвинта з камерою FPV:
− Габарити дрона становлять приблизно 33 см в діаметрі.
− Використовується двигун потужністю 22 кВт, а гранична частота
приймача не перевищує 3 Гц.

Таблиця 2.2
Інформаційно-технологічні характеристики БПЛА DJI Phantom 4
Тип Квадрокоптер (4 гвинти)
Силова установка Чотири безколекторних двигуни
Максимальна вертикальна
швидкість Набір висоти: 6 м/с; зниження: 4 м/с
Максимальна горизонтальна
швидкість 20 м/с
Максимальна висота польоту 6000 м над рівнем моря, 500 м з точки злету
Батарея 81,3 Вт·год (5350 мА·год, 15,2 В)
Час роботи на одній
підзарядці Близько 28 хвилин
Вбудовані давачі Акселерометр, давач висоти, магнітометр,
сонар
Тип управління Wi-Fi (802.11g/n), радіоканал, пульт
управління в комплекті
Передача даних DJI Lightbridge
Дальність передачі
відеосигналу 2000 м
Дальність управління з
пульта 3500 м
Підтримка операційних
систем Android, iOS
Навігація GPS
Автопілот Є
Стеження за об’єктом Є
Повернення до точки злету Є

38
Серед популярних моделей великого радіуса дії можна відзначити Yuneec
Typhoon Q500 4K, DJI Mavic Air, DJI Mavic Pro, DJI Mavic 2, DJI Phantom 4 Pro
та DJI Phantom 4 Advanced. Ці БПЛА обладнані камерами 4K, системами FPV, і
мають час польоту від 20 до 30 хвилин та дальність керування від 1 до 8 км.
Підсумовуючи, можна визначити, що найпопулярніші БПЛА середнього та
великого радіуса дії в повній мірі відповідають вимогам, необхідним для їх
використання в запропонованій інформаційній технології. Для оцінки
ефективності цієї технології та визначення кількості залучених БПЛА
проводився аналіз їхньої площі просканування в умовах масових заходів у лісі.
Для цього був вибраний БПЛА класу DJI Phantom 4, інформаційно-технологічні
характеристики якого подані в таблиці 2.2 та на рис. 2.1. [72].

Рис. 2.1. Інформаційно-технічні характеристики БПЛА DJU Phantom 4
39
Згідно з інформацією у таблиці 2.3, максимальна висота польоту
безпілотного літального апарата (БПЛА) складає 500 метрів, і його тривалість
безперервного польоту становить 28 хвилин. Таким чином, потрібно розрахувати
площу лісу, яку може охопити цей БПЛА, перебуваючи на середній висоті в 200
метрів. Ця висота вважається оптимальною для протипожежного моніторингу
лісу, враховуючи висоту крон дерев і верхню межу лісу в Українських Карпатах
та Прикарпатті [73]. Розрахунки проводитимуться за 15 хвилин польоту (що
забезпечує достатній час для польоту та повернення в точку старту) при середній
швидкості 10 метрів на секунду (36 кілометрів на годину).
Аналіз технічних характеристик безпілотних літальних апаратів (БПЛА)
дозволив визначити та обґрунтувати мінімальні технічні характеристики,
необхідні для їх інтеграції в систему пожежного спостереження. Найбільш
придатними для реалізації запропонованої технології є середні та великі БПЛА,
оскільки їх технічні характеристики дозволяють використовувати їх для
вирішення конкретних завдань.

2.2. Дослідження інформаційно-технічних характеристик пристроїв
керування БПЛА
Зазвичай БПЛА керуються за допомогою спеціальних пультів управління.
Їх можна розділити на дві категорії:
− ті, на які не можна встановити планшет або смартфон.
− ті, що можуть бути оснащені планшетом або смартфоном.
Пульти дистанційного керування відрізняються за наявністю або
відсутністю вбудованого дисплея та GSM-модуля. Перша категорія не підходить
для інтернет-зв'язку з центральним блоком через відсутність GSM-модуля і
дисплея. Друга категорія, до якої можна віднести пропоновану БТ, має
вбудований GSM-модуль і сумісна зі смартфонами та більшістю планшетів.
Керувати БПЛА можна за допомогою смартфонів, планшетів та ноутбуків.
За допомогою планшета або смартфона оператор може взаємодіяти з системою,
керувати системою польоту та переглядати відео та фотографії за допомогою
40
інтерактивної карти. За допомогою планшета або смартфона оператор може
прокладати точні маршрути з маршрутними точками для точних маневрів.
Оператор може редагувати відеоконтент і фотографії за допомогою вбудованої
функції редактора і ділитися матеріалами в режимі потокової передачі.
БПЛА має функцію автопілота, який може автоматично повертатися до
місця зльоту в разі втрати сигналу або низького заряду акумулятора.
Пристрої, які керують БПЛА за допомогою телеметрії, включають
смартфони та планшети, такі як iPhone 5s, iPhone 6, Samsung S5 та Note 3.
Рекомендовані операційні системи - iOS 8.0 або новішої версії та Android 4.1.2
або новішої версії. Сучасні ноутбуки, на жаль, не мають вбудованого GSM-
модуля і потребують подальшого вдосконалення для використання з
інформаційними технологіями. Смартфони та планшети відповідають усім
обраним критеріям і можуть бути успішно інтегровані в запропоновану
технологію.
З огляду на вищесказане, ці пристрої були проаналізовані за наступними
критеріями: вони повинні мати можливість керувати БПЛА за допомогою
телеметрії, мати щонайменше чотирьохядерний процесор і бути оснащені GSM-
модулем.
Для керування БПЛА за допомогою телеметрії виробники запропонували
наступні пристрої: iPhone 5s, iPhone 6, iPhone 6 Plus, iPad Air, iPad Air Wi-Fi +
Cellular, iPad mini 2, iPad mini 2 Wi-Fi + Cellular, iPad Air 2, iPad Air 2 Wi-Fi +
Cellular, iPad mini 3, iPad mini 3 Wi-Fi + Cellular.Цей додаток оптимізований для
iPhone 5s, iPhone 6 і iPhone 6 Plus Android: Samsung S5, Note 3, Sony Xperia Z3,
Google Nexus 7 II, Google Nexus 9, Mi 3, Nubia Z7 mini [75].
Рекомендовані операційні системи iOS 8.0 або новішої версії, Android 4.1.2
або новішої версії. Основні технічні характеристики неспецифічних пристроїв
для керування БПЛА за допомогою телеметрії, що пропонуються останніми
виробниками, наведені в табл. 3.2. Як видно з табл. 3.2, майже всі ноутбуки на
сьогодні не мають вбудованого GSM-модуля, тому такі пристрої керування не
можуть бути використані із запропонованою інформаційною технологією без
41
спеціальних модифікацій [114, 115, 156]. Оскільки більшість сучасних планшетів
на ринку України мають вбудовані GSM-модулі, то вони та всі смартфони
відповідають обраним критеріям і можуть бути використані для інтеграції в
інформаційні технології. Крім того, всі сучасні смартфони та планшети мають
багатоядерні процесори, достатньо потужні для виконання завдань виявлення
пожежі, поставлених ІТ-відділом, у фоновому режимі.
Для ефективного функціонування інформаційної технології (ІТ) на
вказаних пристроях необхідно створити спеціальне програмне забезпечення. Це
програмне забезпечення повинно автоматично перетворювати отримані
відеодані в кількісні показники, що вказують на наявність фото, відео та
координати осередку пожежі. Крім того, процес передачі цієї інформації через
GSM модуль до центрального пункту ДСНC має бути здійснюваний в фоновому
режимі.
Розроблене програмне забезпечення повинно забезпечити можливість в
фоновому режимі проводити не лише запис відео з камер БПЛА, але й обробляти
ці дані, аналізувати їх і не перевантажувати операційну систему. Це дозволяє
виявити осередок лісової пожежі на ранній стадії і вчасно сповістити відповідні
служби.
Аналіз показав, що програмне забезпечення для ІТ повинно бути
розроблене для платформ iOS та Android. Таким чином, запропонована
інформаційна система дозволяє оперативно та з мінімальними витратами
отримувати інформацію про наявність осередків лісових пожеж,
використовуючи цивільні безпілотники без надмірних труднощів для їх
власників.
Це в кінцевому результаті призводить до вдосконалення системи охорони
лісів від пожеж, забезпечуючи швидке та ефективне реагування. Аналіз
технічних характеристик пристроїв керування БПЛА визначив мінімальний
необхідний набір характеристик для успішної інтеграції інформаційної
технології у фоновому режимі.

42
Таблиця 2.3.
Технічні характеристики неспецифічних пристроїв, рекомендованих
виробниками для контролю БПЛА за допомогою телеметрії
Ноутбуки Планшетні Мобільні
(Toshiba Qosmio G40, комп’ютери телефони,
Asus Vivobook E502NA (Apple iPad Pro, смартфони
Acer Aspire 5920. Apple Apple iPad Pro (iPhone 6, iPhone
MacBook) 2017, iPad Air, 6 Plus, iPhone 8X,
Google Nexus 9, Samsung Galaxy
Samsung Galaxy Note 3, Samsung
Tab E, Samsung Galaxy S7,
Galaxy Note 10.1; Samsung Galaxy
Lenovo IdeaPad J7)
Операційна ANDROID 4.1 та IOS 10, Android 5.0 IOS 7, iOS 8.0 or
система вище, Linux, Lollipop, Android later, Android
Windows 4.4; 4.1.2 or later;
10, Android 7.1 Android 4.4.2;
MacOS, OS X
Центральний AMD A8–7410, Apple A6X; Apple 6/6 Plus: Apple A8
процесор (2.2 ГГц, 4 ядра); A9; Apple A7 (1,4 (64-bit),
Intel Celeron N3350 (1.1 ГГц) + співроцесор M8;
– 2.4 ГГц); Intel Core півпроцесор Apple 6s/6 SPlus: Apple
m3, Intel Core i7 (2.2 M7; NVIDIA Tegra A9 (64-bit),
ГГц) K1 Dual співпроцесор M9;
Denver(2.3ГГц); T- Snapdragon 800
Shark2 (Quad (2.3 ГГц, 4 ядра);
1.3GHz); Exynos 8890
Samsung Exynos Exynos 8895 (2,3
4412 (1,4 ГГц , 4 ГГц+1,7 ГГц,
ядра, ARM Cortex- 4+4ядра); Exynos
A9); Intel Atom X5 7870
Z8355 (1,44 ГГц)
Інтерфейс, Wi-Fi 802.11ac, Wi-Fi Wi-Fi (802.11
комунікації, Bluetooth 4.2.HDMI (802.11a/b/g/n); a/b/g/n (2,4 ГГц/5
навігаційна двоканальний Ггц))
система (2.4GHz и 5GHz) и Bluetooth 4.0,
MIMO Bluetooth GPS,A-
4.0, CDMA GPS, Beidou.
ГЛОН
АСС,
GSM модуль – + / – +

43
2.3. Проектування інформаційної технології сповіщення про
небезпеку лісових пожеж
Як відзначено в першому розділі, сучасні методи протипожежного
моніторингу лісу використовують різноманітні засоби та технології, включаючи
безпілотні літальні апарати (БПЛА). База знань експертних систем пожежної
небезпеки формується на основі даних дистанційного зондування Землі,
метеорологічних та сонячних прогнозів, а також наземних та авіаспостережень.
Ця база знань служить основою для експертних висновків про ймовірність
виникнення лісової пожежі, які публікуються через Інтернет.
Однак інформація, яка надходить від експертних систем, часто не є
достатньо точною через вплив місцевих чинників на ймовірність пожежі в
конкретному лісовому господарстві. Додатково, на рівні лісництв проводиться
робота з попередження лісових пожеж, включаючи картографування місцевості
та встановлення відеосистем, а також патрулювання лісу.
У випадках виявлення пожежі важлива інформація передається на
диспетчерський пункт лісництва та оперативному черговому пожежної охорони
району. Деякі випадки включають використання БПЛА для уточнення координат
пожежі, особливо коли виявлення осередку пожежі здійснюється за шлейфом
диму.
Час від виявлення пожежі до початку її локалізації сягає до 6 годин, що
залежить від різних факторів. Такий період може призвести до екологічної
катастрофи, і для подолання її зазвичай потрібні значні технічні ресурси.
Зазначено, що існує потреба вдосконалення та уніфікації цих засобів та
технологій для підвищення ефективності протипожежного моніторингу лісу.
Різноманітні методи моніторингу лісу можуть легко взаємодіяти в рамках
єдиної інформаційної системи протипожежного захисту. Структурна схема такої
інтегрованої системи для запобігання лісовим пожежам представлена на рис. 2.2.
Залучені безпілотні літальні апарати (БПЛА) працюють у самостійному режимі
(блок 2.3) і, за необхідності, надсилають інформацію до диспетчерського пункту
через відкриті канали зв’язку.
44
Отже, згідно з представленою схемою, інтеграція БПЛА в моніторинг лісу
здійснюється без потреби використання технічно складних рішень.

Рис. 2.2. Функціональна схема інформаційно-технологічного забезпечення
моніторингу лісових пожеж

Для реалізації цієї ідеї розроблена інформаційна технологія
функціонування та інформування рятувальної служби. У загальному вигляді
вона функціонує за таким принципом (рис.2.3).
Власникам безпілотних літальних апаратів (БПЛА) пропонується
встановити спеціально розроблену інформаційну систему та приєднатися до
унікальної програми співробітництва. В рамках цієї програми, під час
запланованих польотів, БПЛА одночасно виконують додаткову функцію –
сповіщення про небезпеку виникнення лісового пожежі. Користувач, керуючи
БПЛА через засоби телеметрії за допомогою Wi-Fi, запускає його над лісовою
територією. БПЛА, працюючи у фоновому режимі, проводить сканування
45
поверхні лісу та регулярно відсилає координати у відповідні підрозділи служби
рятування, де формується перелік всіх активних на даний момент БПЛА.

Рис. 2.3. Узагальнена схема функціонування безпілотних літальних
апаратів в рамках розробленої інформаційної технології

Якщо виявлено осередок лісової пожежі, БПЛА за допомогою 3G зв'язку
надсилає в центральний диспетчерський пункт рятувальної служби сигнал
тривоги, який містить оригінальне цифрове зображення підозрілої ділянки,
опрацьоване зображення та координати для оцінки оператором загрози лісової
пожежі.
Одночасно із центрального диспетчерського пункту рятувальної служби
подається сигнал тривоги та перелік активних БПЛА у цьому районі до місцевого
оперативно-координаційного центру територіального органу рятувальної
служби для перевірки. Якщо інформація підтверджується, вони надсилають
46
активним БПЛА в цьому районі інструкції зі зміною курсу для підтвердження
або спростування інформації щодо небезпеки.
Функціонування залучених БПЛА в рамках запропонованої інформаційної
технології поділяється на наступні кроки (рис. 3.6):
1. Під час польоту БПЛА періодично відправляє GPS-координати через
GSM Internet протоколи мобільних операторів до центрального
диспетчерського пункту рятувальної служби, що дозволяє створити
список активних БПЛА в зоні контролю ДСНC.
2. Центральний диспетчерський пункт рятувальної служби формує
динамічний список активних БПЛА та передає необхідні дані
регіональним диспетчерським пунктам.
3. Камери БПЛА в режимі реального часу передають відео на керуючий
пристрій.
4. Отримане відео розбивається на окремі кадри в фоновому режимі.
5. Проводиться оцінка кожного кадру на наявність осередку загоряння у
фоновому режимі.
6. При виявленні підозрілої ділянки:
− Надсилаються GPS-координати цієї ділянки, опрацьоване та
оригінальне фото до центрального диспетчерського пункту рятувальної
служби.
− Оператор БПЛА отримує повідомлення про наявність небезпечної
ділянки і рекомендації щодо зміни траєкторії для уточнення
результатів опрацювання даних.
− Центральний диспетчерський пункт фіксує сигнал у базі даних та
передає дані до відповідного регіонального пункту. У разі
підтвердження лісової пожежі, регіональний диспетчерський пункт
лісництва активізує наявні сили для тушіння лісової пожежі.
− Для перевірки та уточнення інформації оператор може вирішити
залучити інші активні БПЛА, які виконують польот в радіусі
доступності, із наявного динамічного списку. Оператори активних
47
БПЛА в зоні контролю ДСНC отримують повідомлення про наявність
небезпечної ділянки і рекомендації щодо зміни траєкторії для
уточнення результатів опрацювання даних.
Своєчасне виявлення епіцентру пожежі дозволяє ефективно локалізувати
осередок загоряння без необхідності залучення додаткових рятувальних засобів
з районних або обласних пунктів пожежної охорони. Централізація даних у
центральному диспетчерському пункті рятувальної служби підвищує нагляд за
процесом та управлінням прийняттям рішень регіональними підрозділами.

Рис. 2.4. Схема інформаційних потоків в рамках розробленої інформаційної
технології

З метою забезпечення можливості фонового аналізу сигналів, пристрої
керування БПЛА повинні бути оснащені многоядерними процесорами, вільні
ядра яких використовуються для фонових обчислень, а також GSM-модулями
для передачі даних через мобільний Інтернет. Схема функціонування залучених
БПЛА в межах розробленої інформаційної технології наведена на рис. 2.4.
48
Отже, створення такого мобільного інформаційно-технологічного сервісу
на основі добровільної соціокомунікаційної ініціативи сприятиме
удосконаленню системи лісопожежного захисту ДСНУ. Це буде досягнуто за
рахунок підвищення ефективності виявлення лісових пожеж на ранніх стадіях їх
виникнення та оперативного інформування відповідних служб про потенційну
небезпеку. Інформація від залучених БПЛА може надходити навіть швидше, ніж
з офіційних джерел, і при цьому держава не зобов'язана здійснювати жодні
додаткові фінансові витрати.
Ефективність застосування БПЛА для моніторингу трупоброводів, що
експлуатуються в складних умовах Півночі, довели в публікації [43] автори П. В.
Єфремов, К. А. Попов, Т. А. Капітонов та ін. У результаті грунтовного аналізу
переваг методу аеровізуального моніторингу БПЛА, автори дійшли висновку,
що БПЛА є важливим засобом дистанційного моніторингу, який дає змогу
отримувати важливі дані про стан об’єктів, розташованих на значній території.
Ефективність БПЛА для проведення аерофотозйомки зумовлюється
швидкістю отримання інформації, оперативністю і своєчасністю, якістю
зображень [44].
Результати та аналіз аерознімання з БПЛА сільських населених пунктів
наведено в дослідженні [44, 48]. Авторами визначено проблеми, які виникають
під час проведення аерознімального процесу, та можливості їх вирішення.
Використання БПЛА в повітряному просторі України не тільки можливе,
але й необхідне. Цей факт створює підґрунтя для інноваційного розвитку
вітчизняних авіапідприємств, розширення асортименту пропонованих послуг.
Визначено, що дистанційно пілотовані дрони можуть виконувати завдання, які
пілотовані системи не в змозі вирішити. Вони можуть надавати корисні повітряні
комерційні послуги в різних галузях [51]. Зазначено, що застосування БПЛА в
цивільному секторі на сьогодні перебуває в очікуванні вирішення деяких
технічних та організаційних проблем, без чого неможливе їх стабільне
використання. На підставі проведеного дослідження авторами окреслено
особливості впровадження БПЛА в діяльність вітчизняних авіапідприємств,
49
уточнено основні напрямки їх застосування в різних галузях економіки,
визначено основні заходи з вирішення проблем розвитку цього виду авіапослуг,
що в підсумку забезпечує ефективний інноваційний розвиток діяльності
авіакомпаній країни [44].
Окремі дослідження присвячені застосуванню БПЛА у військових цілях,
зокрема в працях [46, 47] доводиться їх бойова ефективність, окреслюється
широке коло військових та військово-технічних задач, які здатні розв’язати
сучасні БПЛА, їх вплив на характер бойових дій, також перспективи їх
застосування.
Використання БПЛА для супроводу багатьох видів діяльності – світова
практика, яка набуває дедалі ширшого розповсюдження в Україні. Вона набула
особливої популярності в останні роки разом з розвитком інформаційно-
технічних можливостей БПЛА, які здатні швидко і ефективно задовольнити
потреби в аерофотоскануванні – отриманні оперативної інформації з висоти
пташиного лету [46-50].
Сучасні малі БПЛА вагою лише у декілька кілограмів вміщаються в
рюкзаку і можуть виконувати складні завдання. Ці літальні апарати, розвиваючи
швидкість 80–120 км/год та набирючи висоту до 500 м, можуть записувати
зображення в якості 4K і передавати його в HD-розширенні. Дальність польоту
новітніх масових БПЛА сягає 25 кілометрів. За необхідності вони можуть
зависати в повітрі цілодобово. Крила й фюзеляжі БПЛА виготовляються із
композитних матеріалів, армованих вуглеволокном. Якісний БПЛА може
перебувати в повітрі декілька годин, підніматися на висоту до п’яти кілометрів і
долати маршрут завдовжки до 500 кілометрів. На ньому також може бути
встановлена система стабілізації, яка дає змогу успішно проводити польоти за
швидкості вітру до 20 м/с (70 км/год) [50].

Висновки
Результати аналізу технічних характеристик БПЛА дозволили визначити
та належним чином обґрунтувати мінімальні вимоги, які є необхідними для їх
50
інтеграції в систему протипожежного моніторингу. Встановлено, що для
успішної реалізації запропонованої інформаційної технології слід
використовувати БПЛА середнього та великого класів, особливості технічних
характеристик яких надають можливість виконувати визначені завдання.
Проведений аналіз технічних характеристик пристроїв управління БПЛА
дозволив встановити та обґрунтувати мінімальні вимоги, які необхідні для
ефективного функціонування розробленої інформаційної технології у фоновому
режимі. Крім того, зазначено, що для успішної реалізації цієї технології
необхідно наявність 3G модуля для передачі сигналу тривоги, а також процесора
не менше ніж з чотирма ядрами для опрацювання відео в фоновому режимі.
Зазначено, що для втілення запропонованої інформаційної технології достатньо
використовувати стандартні засоби управління, такі як планшети чи смартфони,
оскільки вони вже обладнані модулем 3G зв’язку і мають чотири і більше ядра в
мікропроцесорах.

51
РОЗДІЛ 3
ФУНКЦІОНАЛЬНІСТЬ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ
ВИЗНАЧЕННЯ ЛІСОВОЇ ПОЖЕЖІ

3.1. Інформаційна система визначення осередків лісових пожеж
Для втілення алгоритмів перетворення та оцінки ефективності
запропонованої інформаційної технології розроблено інтелектуальну систему із
графічним інтерфейсом користувача (GUI). Однією з особливостей цієї системи
є можливість ручного управління необхідними налаштуваннями під час обробки,
такими як зміна контрастності, параметри вейвлет-перетворення, або кількість
кластерів тощо. Також система включає в себе можливість порівняння
ефективності різних комбінацій математичних методів [162-168].
Основною метою цієї інформаційної системи є перевірка ефективності
застосування математичних методів в межах запропонованої інформаційної
технології. Оцінювалась точність визначення осередків лісових пожеж та
вивчалась ефективність роботи оператора, який приймає остаточне рішення на
основі перетворених зображень [139, 140]. Також проводилась оцінка швидкості
та можливості виконання паралельних розрахунків, враховуючи технічні
обмеження в режимі реального часу. Зазначено, що інформаційна система
функціонувала на платформі Matlab, яка, як відомо, є інтерпретатором та може
впливати на швидкість розрахунків. Однак розрахунки виконувались на
персональному комп’ютері ASUS F541NC-GO054T (90NB0E93–M00700),
обладнаному кращими характеристиками швидкості, порівняно зі смартфоном
чи планшетом (табл. 3.1).
Зображення інтерфейсу користувача тестової інформаційної системи
можна побачити на рисунку 3.1. Ця інформаційна система дозволяє завантажити
обране відео та пройти всі етапи обробки відеосигналу, такі як перетворення
контрастності, вейвлет-перетворення та кластеризація за допомогою двох
методів - k-means та c-means.
52
Таблиця 3.1
Інформаційно-технологічні характеристики комп’ютера
Тип Ноутбук
Серія процесора Intel Pentium Quad Core
Модель процесора N4200
Кількість ядер 4
Базова частота процесора 1,1 ГГц
Діагональ дисплея 15,6 ´´
Розділова здатність дисплея 1366 х 768 (HD Ready)
Об’єм ОЗУ 4 Гб
Об’єм жорсткого диска HDD 1000 Гб
Бездротові комунікації Wi-Fi; Bluetooth
Операційна система Windows 10

Як вказано в третьому розділі, інші методи, такі як карти Кохонена, в
тестових експериментах виявилися дуже часозатратними, тому вони не
включалися до функціоналу інформаційної системи. Оскільки вейвлет-аналіз є
основним методом, який може бути адаптований під параметри пристрою (метод
еквалізації діаграм не має налаштувань, і навчання нейронних мереж не
модифікувалося), розглянемо особливості його реалізації [162].
Пряме вейвлетне перетворення включає в себе розкладання будь-якого
вхідного сигналу на новий базис у формі набору вейвлетів з такими
характеристиками:
− Представляють собою короткі, локалізовані у часі хвильові пакети;
− Мають можливість зміщення у часі;
53
− Здатні до масштабування (стискання/розтягування);
− Мають обмежений (локальний) частотний спектр.

Рис. 3.1. Результати розпізнання зображень інформаційною системою
визначення осередків лісових пожеж

Цей базис дозволяє реконструювати сигнали та використовується для
реалізації швидких вейвлетних перетворень. Відеопотік формується з реального
відео, яке надсилається з безпілотного літального апарату (БПЛА).
Налаштування інформаційної системи для конкретного пристрою проводиться
вручну. У разі успішної перевірки, ця система може бути перепрограмована та
впроваджена на мобільні пристрої під управлінням Android або iOS,
використовуючи мультиплатформені мови програмування, такі як Python чи
Java, які мають потужні математичні бібліотеки та підтримують
багатопотоковість. Індекс структурної схожості (SSIM) є кількісним параметром,
що визначає структурну схожість двох зображень. Чим вище значення індексу
54
SSIM, тим більше схожі геометричні структури зображень. Отримання
інформації від джерела сприяє усуненню невизначеності щодо стану
спостережуваного об'єкта.
Відношення кількості інформації до одного цифрового сигналу зазвичай
характеризує дискретні джерела повідомлень. Ця загальна характеристика
джерела цифрового сигналу вимірюється інформаційною ентропією H(A). Чим
вища ентропія, тим більше інформації в середньому містить кожен цифровий
сигнал цього джерела інформації і тим складніше зберігати (записувати) цей
цифровий сигнал або передавати його каналами зв'язку.
Перетворення Фур'є з трикутними базисами нескінченної довжини
ефективно використовуються для аналізу регулярних сигналів [38, 39]. Однак
для нерегулярних сигналів стає важливим визначення значень аргументів при
стрибкоподібній зміні певних частотних характеристик. Тому базисні функції
повинні мати обмежену область визначення. Вейвлети працюють таким чином,
оскільки вони можуть покрити весь простір, зсуваючи одну стиснуту функцію.
Це дозволяє розкласти будь-який сигнал у вейвлет-ряд (або інтеграл).
Алгоритм підвищення інформативності даних ДЗЗ на основі вейвлет-
технології обробки цифрових сигналів має кілька етапів [12].
Етап 1: Початкове зображення проходить попереднє опрацювання, де
відбувається синтез кольорового зображення. Перші дані розбиваються на
канали, а канали перемішуються так, що компоненті R відповідає
зображенню четвертого спектрального каналу, компоненті G – третього,
компоненті B – другого. Отримане штучне зображення переводиться в
кольорову модель HSV. Також до HSV переводиться панхроматичне
зображення, яке є першим каналом відповідного RGB-зображення. Зміна
компоненти яскравості штучного зображення відбувається за допомогою
допоміжного зображення, і результат повертається в кольорову модель
RGB. На виході цього етапу отримуємо синтезоване штучне RGB-
зображення.
55
Етап 2: Здійснюється пошук аргументів, що максимізують функцію
інформаційної якості синтезованого зображення. В якості функції може
використовуватись інформаційна ентропія або індекс структурної
схожості. На цьому етапі використовуються штучне RGB-зображення та
панхроматичне зображення. Обидва зображення піддаються вейвлет-
декомпозиції першого рівня, отримуючи матриці апроксимуючих та
деталізуючих коефіцієнтів для кожного зображення. Деталізуючі
коефіцієнти піддаються лінійному перетворенню.
Етап 3: Отримані параметри використовуються для збільшення
інформативності обробленого зображення для отримання бажаного
зображення з підвищеною інформативністю. На цьому етапі аналіз
базується на штучному RGB-зображенні, отриманому після попередньої
обробки, та коефіцієнтах лінійної комбінації, отриманих на попередньому
етапі. Починаючи з першого рівня вейвлет-розкладання композитного та
допоміжного зображень, для кожного зображення отримується матриця
коефіцієнтів апроксимації та деталізації. Коефіцієнти деталізації обох
зображень утворюють лінійну комбінацію з урахуванням числових
значень коефіцієнтів у вигляді лінійної комбінації. Потім виконується
вейвлет-реконструкція першого рівня з використанням коефіцієнтів
апроксимації, отриманих під час вейвлет-розкладання об'єднаного
кольорового зображення як є. Детальні коефіцієнти представлені
отриманою лінійною комбінацією. Таким чином, в результаті вейвлет-
реконструкції отримуємо зображення, синтезоване за допомогою
вейвлетів, яке є бажаним зображенням з підвищеною інформативністю.
Вейвлет-перетворення, застосоване до існуючого кольорового
зображення, обробляє кожен канал окремо. Під час вейвлет-розкладання
зображення, яке є двовимірним масивом розміром NxM, аналізується окремо.
Описані методи підвищення інформативності зображень ДЗЗ були
застосовані до первинних багатоспектральних знімків з різною просторовою
роздільною здатністю, отриманих з космічного апарату Ikonos. Зокрема, для
56
знімків Ikonos інформативність була підвищена за рахунок використання
комбінації панхроматичних знімків з просторовою роздільною здатністю 1 м та
оптичних знімків з роздільною здатністю 4 м [132,162].

3.2. Засоби раннього виявлення осередків лісових пожеж
Експерименти проводились як для серії відеорядів, так і для статичних
зображень. Тестувались такі комбінації математичних методів:
1. Кластеризація (Кл).
2. Комбінація методів підвищення контрастності зображення та
кластеризації (К+Кл).
3. Комбінація методів вейвлет-перетворення та кластеризації (В+Кл).
4. Комбінація методів підвищення контрастності зображення, вейвлет-
перетворення, кластеризації (К+В+Кл).
Результати опрацювання цифрових зображень за допомогою вказаних
методів та їх різних комбінацій (рис. 3.2).
У випадку вейвлет-перетворення оцінювалась також ефективність на
остаточне прийняття рішення різних типів вейвлет-функцій та рівнів вейвлет-
перетворення (табл. 3.2) [17].

Таблиця 3.2
Характеристики вейвлет-функцій, що тестувались
Кількість нульових Симетрич
Тип вейвлета Довжина фільтра
моментів ність
Добеши-N 2N N Відсутня
Симлети-N 2N N Є
Койфлети-N 6N 2N Є
Біортогональний Nr, Nd max (2Nr, 2Nd) Nr-1 Є

Для здійснення прямого дискретного вейвлет-перетворення необхідно
Здійснення вибору базисної вейвлет-функції (ВФ) представляє собою завдання,
57
яке може бути вкрай неоднозначним. При розгляді кандидатів на роль ВФ
важливо враховувати їхні характеристики, такі як швидкість відгуку, кількість
нульових моментів та ортогональність. Ортогональні вейвлети, такі як Добеши,
Симлети та Койфлети, а також В-сплайнові біортогональні вейвлети, володіють
вищезазначеними властивостями.

Рис. 3.2. Результати опрацювання цифрових зображень
58
Усього було проведено понад 1000 тестових розрахунків, порівнявши їх
результати. У звіті обмежимося представленням результатів найбільш
оптимальних комбінацій через обсяг дисертаційного дослідження. За
результатами проведених розрахунків було встановлено, що при використанні
вищезазначеного комп'ютера система могла працювати в режимі реального часу,
опрацьовуючи кожен кадр, коли рівень розкладу вейвлет-перетворення
дорівнював 4.
Приклади результатів перетворення, описані на початку розділу,
представлені на рисунку 3.2. В якості тестових відеопотоків використовувалися
знімки з БПЛА, зняті з середньої висоти вигорілих ділянок трави (зображення 1),
осередку пожежі в лісі із зашумленими гілками дерев (зображення 2) та зйомка з
максимальної висоти (зображення 3).
Коли кластеризація виконується на зображенні без попередньої обробки,
результат можна описати як шум, що містить дві різнокольорові точки.
Зрозуміло, що будь-яка система, яка автоматично визначає центр пожежі за
допомогою рівняння (3.19), в будь-якому випадку виявить пожежу неправильно.
Навіть людина-оператор не зможе нічого визначити на цьому зображенні. Тому
кластеризація без попередньої сигналізації взагалі не є корисною.
У випадку кластеризації на основі висококонтрастних знімків контури
вигорілих ділянок на перших двох знімках дещо розмиті. Знімки з великих висот
містять шум. Однак після обробки ці зображення стають більш інформативними,
і вигорілі ділянки, тобто деталі, що становлять інтерес, тепер можна правильно
розпізнати. Кластеризація створює кластер точок, що належать до вигорілої
ділянки.
Цей кластер є індикатором для автоматичного виявлення пожежі. У цьому
випадку інформація передається в центральну точку ДСНС, де проводиться
подальший аналіз для визначення місця в'їзду пожежної техніки. Використання
методу вейвлет-перетворення без підвищення контрастності має значний вплив
на результати. Особливо на першому зображенні чітко видно обгорілі ділянки
(але результати схожі на попередній випадок).
59
На другому зображенні кластеризація чітко виділила обгорілі ділянки
лісової підстилки і відокремила їх від гілок. Як на цьому зображенні, так і на
попередньому, система автоматичної ідентифікації правильно визначила
джерело небезпеки. Оператор також може чітко і точно ідентифікувати обгорілі
ділянки. Однак на третьому зображенні система не змогла чітко ідентифікувати
обгорілу ділянку, і в цьому випадку ні оператор, ні система не змогли
ідентифікувати потенційну небезпеку.
Використання трьох методів перетворення зображень одночасно суттєво
покращило результати. Зокрема, перше зображення практично залишилося
незмінним, на другому покращилася чіткість визначення вигорілих ділянок, і
відсутність точок третього кластера. Долучення методу підвищення
контрастності дозволило розділити зображення на три кластери на максимальній
висоті: природа, вигорілі ділянки та хмари. Це також дало можливість
автоматичній системі безпомилково визначити вигорілі ділянки. Таким чином,
результати розрахунків підтвердили доцільність використання вищезазначених
методів, визначили оптимальний вигляд вейвлет-функції та рівні вейвлет-
розкладу. Встановлено, що сучасні комп'ютери здатні ефективно реалізувати ці
математичні методи в режимі реального часу. Таким чином, система дозволяє
передавати як оригінальний, так і перетворений відеоряд на пульт ДСНC для
підтвердження сигналу небезпеки.

3.3. Ефективність функціонування інформаційної технології
В сучасний період однією з перспективних областей для підвищення
ефективності роботи систем обробки зорової інформації є інтелектуалізація
операторської праці, спрямована на обробку зорових образів з семантичною
глибиною. Важливим завданням є відбір об'єктів, які є потрібними, але їх
обробка вимагає інтенсивного інтелектуального зусилля та значної витрати часу,
що вимагає напруженої праці мозку та візуального аналізатора.
В рамках експериментальної роботи, описаної в цьому розділі, ми
розробили процедуру стабілізації часу розпізнавання і метод зміни складності
60
розпізнавання без впливу на сенс зображення. Це є актуальним завданням і
важливим для систем навчання і кваліфікації операторів. В експерименті на
екрані монітора були представлені стандартні умови роботи і оцінювалася
відносна частота помилок. При цьому не враховувалися ні час розпізнавання, ні
стандартні характеристики зображення [108-110].
Було виявлено, що фіксація часу розпізнавання та врахування зміни ознак
зображення значно підвищило б об'єктивність оцінки ефективності роботи
оператора. При цьому час розпізнавання зображень і час реакції оператора
постають як ключові індивідуальні характеристики людини [110-112].
На сьогодні існує багато різних моделей людини-оператора, які описують
різні психологічні характеристики людей та різні канали сприйняття інформації
при роботі з системами управління. Інформаційна теорія зору Д. Марра [113-114]
дозволяє робити висновки про структуру реального світу на основі структури
зображень. Вона передбачає інформаційний аналіз зорових явищ людини,
включаючи методи створення алгоритмів, які дозволяють формувати такі
висновки, а також фізичні обмеження та припущення, які дозволяють формувати
такі висновки.
Моделювання процесів сприйняття ґрунтується на принципі поетапної
обробки інформації людиною і комп'ютером при сприйнятті відомих об'єктів, що
включає запис інформації, виділення ознак об'єкта за допомогою маніпуляцій зі
спеціальними каналами і детекторами, порівняння з інформацією, отриманою
раніше і збереженою в довготривалій пам'яті, порівняння з інформацією, яка
найбільше відповідає шуканій. Сюди входить прийняття рішення про вибір коду
оновлення, який найкраще відповідає бажаному.
Аналіз процесів сприйняття та розпізнавання інформації, виявлення їх
природи та закономірностей є важливим для побудови оптимальних
інформаційних моделей реального середовища. Передачу інформації людиною-
оператором слід розглядати як процес формування перцептивного образу у
свідомості людини, що взаємодіє з об'єктом, який є суб'єктивним відображенням
властивостей об'єкта.
61
Суб'єктивна психофізика наголошує на активності та індивідуальності
суб'єкта в процесі розв'язання психофізичних задач [17-19].
Зазначені вище особливості сприйняття інформації становлять інтерес у
контексті інженерної психології, оскільки вони не є початковими
характеристиками перцептивного образу, а формуються під час його
становлення. Результати досліджень у галузі психофізики та нейрофізіології
зорової системи людини є основою для розробки методів обробки інформації, що
використовуються в системах автоматичної обробки та розпізнавання
зображень, а також створення моделей людини-оператора [16].
Експерименти, описані в цій статті, враховують психофізичні властивості
людини-оператора, такі як швидкість реакції на зображення з різною
контрастністю, яскравістю та іншими характеристиками. Запропонована
методика дослідження процесу обробки зорової інформації дозволяє аналізувати
швидкість прийняття рішень оператором.

Рис. 3.3. Вікно програми on-line тестування за шкалою Спілбергера- Ханіна

В експерименті взяли участь 120 студентів Черкаського інституту
пожежної безпеки імені Героїв Чорнобилявіком 18-20 років, які мають навички
роботи з комп'ютером. Перед апробацією розробленої інформаційної системи в
реальній ситуації було перевірено специфіку психоемоційного стану учасників.
Було проведено додаткове тестування за методикою САН (самопочуття,
62
активність та настрій) та тест на особистісну тривожність за шкалою
Спілбергера-Каніна [177]. Тестування проводилося в режимі онлайн (рис. 4.3).
Результати тестування дозволили сформувати групу студентів, які могли взяти
участь у тестовому експерименті з виявлення осередків лісових пожеж на
цифрових знімках, отриманих з квадрокоптерів, з психоемоційної точки зору.
Опитувальник Спілбергера-Ханіна призначений для оцінки двох видів
тривожності: реактивної та особистісної. Особистісна тривожність визначається
як стійка індивідуальна риса особистості, що вказує на рівень занепокоєння,
турботи та емоційної напруги через вплив стресових факторів.
Реактивна тривожність відображає ступінь занепокоєння, турботи та
емоційної напруги, що виникають у конкретних стресових ситуаціях. Однак,
якщо особистісна тривожність є стійкою індивідуальною характеристикою, то
реактивна тривожність може змінюватися як за часом, так і за ступенем
вираженості.
Методика Ч. Спілбергера та Ю. Ханіна може вимірювати тривожність як
самопочуття (ситуативна тривожність, яка змінюється відповідно до ситуації) і
як характеристику особистості (особиста тривожність, спрямована на
внутрішній світ людини).
Опитувальник Ч. Спілбергера містить 40 питань-суджень, з яких 1–20
використовуються для визначення реактивної тривожності (шкала "Як ви
почуваєте себе в данний момент?"), а 21–40 – для визначення особистісної
тривожності (шкала "Як ви зазвичай себе почуваєте?"). Для кожного питання
існують 4 відповіді за ступенем інтенсивності або частоти, які використовуються
для обох шкал.
Певні питання-судження в опитувальнику формульовані так, що відповідь
"1" вказує на відсутність або слабку тривожність. Ці так звані прямі запитання
включають № 3, 4, 6, 7, 9, 12, 13, 14, 17, 19 для реактивної тривожності та № 22,
23, 24, 25, 28, 29, 31, 32, 34, 35, 37, 38, 40 для особистісної тривожності. У
зворотніх запитаннях відповідь "1" вказує на високий рівень тривожності, а "4"
– на низький рівень: № 1...
63
Результати цього методу не лише вказують на психодинамічні особливості
особистості, але й дають інформацію про загальний зв'язок між параметрами
реактивності та активності особистості, а також про темперамент і характер.
Методика надає розгорнуту суб'єктивну характеристику особистості.
Обробка результатів включає складання окремих сум для прямих і
зворотних запитань, віднімання сум зворотних від сум прямих, додавання сталої
величини (50 для реактивної тривожності та 35 для особистісної тривожності).
Показники результатів можуть коливатися від 20 до 80 балів, і чим вони вищі,
тим вищий рівень тривожності (реактивної або особистісної). Оцінка рівнів
тривожності за результатами визначена в межах: до 30 балів – низький, 31–45
балів – середній, понад 45 балів – високий.
Практикуючі психологи, які використовують методику В. Спілбергера та
Ю. Ханіна, звертають увагу на ще один аспект - низький рівень оцінок. Це може
бути пояснено тим, що студенти можуть бажати подати себе у вигідному світлі.
Також повна відсутність емоційної реакції та пасивність можуть свідчити про
наявність глибокої депресії, апатії, емоційного вигорання або перевтоми. Таким
чином, тест Спілбергера-Ханіна може ефективно діагностувати рівень
тривожності у людини і може бути використаний самостійно для визначення її
емоційного стану протягом конкретного періоду часу.
Досліджено, що серед обстежених студентів більшість мають середній
рівень особистісної тривожності - 62 особи (51,7%), високий рівень особистісної
тривожності був виявлений у 30 осіб (25%), низький рівень особистісної
тривожності - у 28 студентів (23,3%).
Аналізуючи показники рівня ситуативної тривожності, слід відзначити, що
високий рівень ситуативної тривоги був характерний для 20 студентів (16,7%),
середній рівень ситуативної тривоги зафіксований у 70 осіб (58,3%), низький - у
30 осіб (25%). Підвищений рівень тривожності може бути пов'язаний як із
зовнішніми, так і з внутрішніми факторами і свідчить про недостатнє емоційне
пристосування до різних соціальних ситуацій або про недбалість та
безініціативність особистості. Таким чином, проведений тест Спілберга-Ханіна
64
надав можливість сформувати групу студентів, чиї результати можна вважати
надійними для подальшого тестування.
Для оцінки ефективності запропонованих моделей було проведено
дослідження часових характеристик опрацювання інформації людиною-
оператором, включаючи порівняння часу та точності розпізнавання лісових
пожеж на оригінальних та оброблених зображеннях за допомогою розробленої
інформаційної технології. Створена програма для тестування, головні вікна якої
показані на рисунках 3.4-3.6.
У програмі тестування передбачено можливість завантаження
необроблених фотографій у форматі JPEG, а також кластеризованих зображень.
Під час роботи визначаються умови експерименту, такі як час перед показом
першого зображення, тривалість експозиції зображення та інтервал між
показами зображень. Тестування проводилося в такій послідовності:
1. Створилась колекція оригінальних фотографій та їх кластеризованих
копій, яку наша розроблена інформаційна система містить
(зображення). Ця колекція включала понад 100 зображень різних
ділянок лісу, на основі яких інформаційна система генерувала сигнали
про можливі небезпеки.
2. На кожному етапі тестування студент отримував або лише оригінальне
зображення (рис. 3.4) або одночасно з оригіналом - кластеризоване
зображення (рис. 3.5). Вибір проводився автоматично за допомогою
рандомізованого алгоритму.
3. Оператор повинен був за допомогою миші вказати центр пожежі або
відкинути її наявність, натискуючи відповідну кнопку.
4. Система фіксувала кількість помилок оператора та час, витрачений на
пошук центру пожежі в кожному конкретному випадку.
5. Після завершення тестування розраховувались середні значення часу
розпізнавання, середній відсоток правильних відповідей та кількість
випадків, коли "зображення не було розпізнане".
65

Рис. 3.4. Вікно, в якому показано неопрацьоване зображення

Рис. 3.5. Вікно, в якому одночасно показано і не опрацьоване, і
кластеризоване зображення
66
Інтерфейс програми дозволяє проводити тестування оператора з
можливістю спостереження за часом та процесом тестування. Крім того,
програма автоматично визначає емоційний стан оператора, враховуючи його
біоритми, що сприяє об’єктивності аналізу результатів тестування [178]. Перед
початком тестування оператор вводить свою дату народження (день, місяць та
рік), і ці дані використовуються для автоматичного визначення фізичного,
інтелектуального, емоційного та середнього рівня його біоритмів (рис. 3.6).
При аналізі результатів тестування також враховується фізичний,
інтелектуальний та емоційний рівні біоритмів, які впливають на рівень розумової
та фізичної працездатності людини.

Рис. 3.6. Вікно завершення тестування і виведення результатів
67
Середні значення рівнів біоритмів осіб, що брали участь в експерименті,
наведені в таблиці 3.3.
Таблиця 3.3
Середні значення рівнів біоритмів осіб, що тестувалися
Кількість осіб, що Середнє значення рівня біоритмів
тестувалися
високий середній низький
120 48 (40%) 55 (45,8%) 17 (14,2%)

Результати тестування виводяться на екран та зберігаються в текстовому
файлі, їх легко можна переглянути та роздрукувати.
Порівняння часу та безпомилковості розпізнання людиною лісових пожеж
на оригінальних зображеннях та зображеннях, опрацьованих за допомогою
розробленої інформаційної технології, наведене в таблиці 3.4.
З таблиці 3.4 випливає, що час, протягом якого оператор визначав пожежі
на оброблених знімках, зменшився в 5 разів порівняно з оригінальними. Час
обробки та прийняття рішень автоматичною системою, яка працює під
управлінням операційної системи Windows на ноутбуці ASUS F541NC-GO054T
(90NB0E93-M00700), зазвичай не перевищує тривалості одного кадру. Іншими
словами, система може функціонувати в режимі реального часу.
Якість прийняття рішень оператором підвищилась з 70% до 90%, і помітно
зменшилась кількість неправильних відповідей. З результатів експериментів
видно, що кількість правильних реакцій автоматизованої системи є досить
високою (80%), але нижчою, ніж у випадку операторів. Отже, систему можна
використовувати як консультативний інструмент. Крім того, із таблиці видно, що
метод кластеризації c-means продемонстрував кращі результати, ніж k-means у
режимі автоматичної фіксації осередків лісових пожеж.

68
Таблиця 3.4
Результати експерименту із розпізнавання зображень
Інформаційна
(Ноутбук
ASUS F541NC-
Людина
GO054T
(90NB0E93-
M00700)
Критерії
Середній час розпізнання, с 10 2 0,03 0,03 0,03
Середній % вірних відповідей 70 90 75/78 78/80,5 80/82
(спрацьовувань)
Кількість випадків 30 10 25/24 22/20 20/20
«зображення не розпізнане»

Результати тестування підтверджують, що запропонована інформаційна
технологія володіє достатньою швидкістю та точністю розпізнавання осередків
лісових пожеж і може підвищити ефективність системи моніторингу та
протипожежного захисту.
Основною перевагою акустооптичних фільтрів є можливість швидкої
електронної перебудови довжини хвилі відфільтрованого випромінювання. До
інших переваг фільтрів належать: широкий діапазон електронної перебудови
довжини хвилі; робота в реальному масштабі часу; компактність і мала вага;
При показі не
опрацьованих зображень
При показі
опрацьованих зображень
n=4, l=1
(k-means/c- means)
n=6, l=2
(k-means/c- means)
n=8, l=2
(k-means/c- means)
69
висока надійність, відсутність частин, що переміщаються; висока спектральна
розрізнювальна здатність; малі світлові втрати; мале енергоспоживання;
можливість селекції випромінювання по поляризації світла; широке поле зору,
велика світлосила; можливість довільного доступу до світла, відфільтрованого
за довжинами хвиль; можливість багаточастотного режиму роботи; комп’ютерне
управління пристроєм; можливість опрацювання оптичних зображень. Беручи до
уваги ці особливості роботи акустооптичних фільтрів, можна говорити про
перспективність застосування даних приладів в аерокосмічних системах
дистанційного контролю за об’єктами штучного та природного походження.
Зокрема, акустооптичні фільтри доцільно включати в комплекс апаратури, яка
встановлюється на безпілотних літальних апаратах. Такі літальні апарати можуть
здійснювати розвідку і моніторинг поверхні землі, а також стану повітря з метою
екології та безпеки для виявлення в навколишньому середовищі отруйних
речовин і газів. Також представляється перспективним використання
розроблених приладів для вирішення завдань у військовій та спеціальній техніці
[59, 61]. До недоліків вказаних приладів можна віднести високу технологічність
пристроїв та необхідність додаткового дообладнання ними комплексів, що
встановлюються на безпілотних літальних апаратах.
Сучасний світовий тренд в галузі виявлення і розпізнавання полягає в
застосуванні згорткових нейронних мереж [60]. Головною перевагою такого
підходу в порівнянні з описом просторових ознак, є те, що алгоритм по суті сам
знаходить інформативні ознаки. Основне завдання розробника полягає у виборі
топології мережі і налаштуванні великої кількості її параметрів [60].
Згорткові нейронні мережі можуть бути застосовані не тільки для
розпізнавання об’єктів, але і для їх виявлення. Варто зазначити, що для цього
типу класифікаторів і можливості виявлення, необхідною умовою є наявність
представницької бази із 172 зображень для навчання. Одним з можливих
варіантів вирішення цієї проблеми, крім моделювання, є багаторазове
клонування з деформаціями наявних зображень об’єктів [61].

70
Висновки
1. Розроблено інформаційну систему, яка дозволяє реалізувати створену
технологію обробки інформації.
2. Проведено дослідження, що дозволило визначити оптимальні
налаштування параметрів для процесів кластеризації та вейвлет-перетворення.
3. Здійснено порівняльний аналіз ефективності функціонування створеної
інформаційної системи та людини-оператора, що підтвердив переваги
запропонованої технології обробки інформації.

71
ВИСНОВКИ

У кваліфікаційній роботі вирішено важливу задачу – розробка
інформаційної технології для раннього виявлення осередків запалювання
лісових пожеж на основі розширення можливостей неспеціалізованих
безпілотних літальних апаратів.
При огляді інформаційно-технологічного забезпечення та математичного
апарату моделей, що використовуються в безпілотних літальних апаратах,
встановлено, що існує різноманіття алгоритмів, використовуваних для навігації,
але жоден з них не вирішує завдань моніторингу об’єктів, зокрема осередків
лісових пожеж, у фоновому режимі.
Запропонована інформаційна технологія сповіщення рятувальних служб за
допомогою неспеціалізованих безпілотних літальних апаратів при виявленні
осередку лісової пожежі ґрунтується на розширенні їхніх інформаційно-
технологічних можливостей, що дозволяє додатково інформувати ДСНС і, отже,
покращити ефективність пожежної безпеки в лісі. Аналіз технічних
характеристик безпілотних літальних апаратів та управління дозволяє визначити
мінімальний набір вимог для їхньої інтеграції в розроблену інформаційну
технологію.
Удосконалений метод автоматичної адаптації частоти кадрів, який
враховує технічні характеристики пристроїв управління, забезпечує
безперебійне функціонування інформаційної системи у фоновому режимі
шляхом автоматичного налаштування параметрів методів відповідно до
критерію швидкість-якість розпізнавання. Метод автоматичного виявлення
небезпеки лісової пожежі на основі аналізу кластерів неприродних кольорів
дозволяє автоматично повідомляти про осередки лісової пожежі.
Проведені дослідження показали оптимальні налаштування параметрів та
порівняли ефективність інформаційної системи з людиною-оператором.
Результати свідчать про те, що час розпізнавання пожежі оператором скоротився
72
в 5 разів порівняно з оригінальними знімками. Якість прийняття рішень
оператором підвищилась з 70% до 90%, що підтверджує ефективність
запропонованої інформаційної технології.
73
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Asary K. V. Eswaran C. A. Self-organizing Neural Network for
Multidimensional Mapping and Classification of Multiple Valued Data.
International Joint Conference on Neural Networks: рroceedings of 2023
International Conference on Neural Networks (Nagoya, Japan, October 25-29).
Nagoya, 2023. – P. 2488–2491.
2. Bouabdellah K., Noureddine H., Larbi S. Using Wireless Sensor Networks for
Reliable Forest Fires Detection. Procedia Computer Science. 2019. №19. –
Р. 794 – 801.
3. Brunn A., Weidner U. Extracting Buildings from Digital Surface Models
IAPRS. 2022. Vol 32 (3–4W2). – P. 27–34.
4. Chinsu L., Thomson G., Popescu S. An IPCC-Compliant Technique for Forest
Carbon Stock Assessment using Airborne LiDAR-derived Tree Metrics and
Competition Index. Remote Sensing. 2019. № 8 (6). – P. 528
5. Chuan Li, George D. Skidmore, C. J. Han. DRS uncooled VOx infrared
detector development. Optical Engineering. 2020. Vol. 50, № 50. – Р. 23-29.
6. Collier R. J. Some current views on holography. IEEE Spectrum. 2021. Vol. 3,
№ 7. – P. 67–74.
7. Dupuy J. L. Slope and fuel load effects on fire behavior: laboratory experiments
in pine needle fuel beds. Int. J. Wildland Fire. 2022. № 5. – P. 153– 164.
8. Dupuy J. L., Marechal J., Morvan, D. Fires from a cylindrical forest fuel burner:
combustion dynamics and flame properties. Combust. Flame. 2019. № 135. –
P. 65–76.
9. Emilio Chuvieco. Fundamentos de teledeteccion espasial. Segunda edición.
Madrid: Ediciones rialp, S. A., 2019. – 449 p.
10. Habib A., Ghanma М., Morgan M., Al-Ruzouq R. Photogrammetric and lidar
Data Registration Using Linear Features. Photogramm. Eng. Remote Sens.
2021. Vol. 71, – P. 699 – 707.
74
11. Jorg Conradt Supervisor. Neuroscientific system theory. Technische Universitat
Munchen. 2022. URL: https://www.nst.ei.tum.de/fileadmin/w00bqs/www/
publications/as/2022WS-HS-GrowingNeuralGas.pdf (дата звернення:
03.10.2023).
12. Keeler R., Bondur V., Vithanage D. Sea truth measurements for remote sensing
of littoral water ler. Sea Technology. April. 2022. – P. 53-58.
13. Kostrikov, Segida K. Human geography with geographical geoinformation
systems. Часопис соціально-економічної географії. Харків, 2019. Вип.
15(2). – С. 39–47.
14. Kravets O.V., Mozgovoy D. K. Wavelet Transform in remote sensing data
processing: Engineer of the 3rd Millennium: The VII І Students` Scientific
Conference (May, 2019, Dniepropetrovsk) Dniepropetrovsk, 2019. – Р. 49–50.
15. Luzum B. J. Identification and analysis of airborne laser swath mapping data in
a novel feature space. IEEE Geosci. Remote Sens. Lett. 2020. Vol 1. – P. 268–
271.
16. Modeling Forest Aboveground Biomass and Volume Using Airborne LiDAR
Metrics and Forest Inventory and Analysis Data in the Pacific Northwest.
Remote Sensing. 2019. № 7. – P. 229-255. DOI: 10.3390/rs70100229.
17. Pennington K. S., Collier R. G. Hologram-generated ghost-image experiments.
Applied Physics Letters.2022. № 8. – С. 44–46.
18. Polyanskii P. V., Husak Ye. M. Optical correlation approach to all-optical
holographic associative memories. Optical Memory & Neural Networks
(Information Optics). 2020. Vol. 23, № 1, – P. 12–25.
19. Polyanskii P. V., Husak Ye. M. Optical correlation aspect of holography: from
ghost-imaging to static phase-conjugation holographic associative memories.
SPIE Proc. 2018. Vol. 9066, 99660H1-14.
20. Polyanskii P. V., Husak Ye. M. Self сonjugation heteroassociative memories
using thin static nonlinearly recorded holograms. Optical Memory & Neural
Networks (Information Optics). 2020. № 2. – P. 74–83.
21. Polyanskii P. V., Husak Ye. M. Self сonjugation heteroassociative memories
75
using thin static nonlinearly recorded holograms. Optical Memory & Neural
Networks (Information Optics). 2019. № 2. – P. 74–83.
22. Polyanskii P. V., Husak Ye. M. Volume quadric hologram-based associative
memories. Optical Memory & Neural Networks (Information Optics). 2018.
Vol. 23, No 4. – P. 225–232.
23. Polyanskii P. V., Husak Ye. M. Volume quadric hologram-based associative
memories. Optical Memory & Neural Networks (Information Optics). 2019.
Vol. 23, № 4. – P. 225–232.
24. Polyanskii P. V., Husak Ye. M..Optical correlation approach to all-optical
holographic associative memories. Optical Memory & Neural Networks
(Information Optics). 2019. Vol 23, № 4. – P. 12–25.
25. Popescu S. C., Feagin R. A. Airborne lidar remote sensing applications in non-
forested short stature environments: a review. Annals of Forest Research. 2017.
№ 60. – P. 719.
26. Qin A. K., Suganthan P. N. Enhancedneural gas network for prototype-
basedclustering. School of Electrical & Electronic Engineering, Nanyang
Technological University, Nanyang Avenue, Block S2. 2019: URL:
https://www.google.com.ua/maps/dir/50.4565812,30.6135998/50.464999,30.62
04772/@50.4648665,30.6210227,17z/data=!4m3!4m2!3e2!5i1?hl=uk. (дата
звернення: 05.11. 2023).
27. Rogalski. Infrared detectors: an overview. Infrared Physics & Technology.
2022. № 43. – P. 187–210.
28. Romano M. E. Innovation in LiDAR processing technology. Photogramm. Eng.
Remote Sens. 2018. Vol 70, № 11. – P. 1202–1206.
29. Taylor G., Kidner D., Brundsdon K. Modelling and prediction of GPS
availability with digital photogrammetry and LiDAR. International Journal of
Geographical Information Science. 2021. Vol. 21, № 1. – P. 1–20.
30. Van Heerden P. G. A new optical method of storing and retrieving information.
Applied Optics. 2023. № 2. – С. 387–392.
31. Van Heerden P. G. Theory of optical information storage in solids. Applied
76
Optics.2022. № 2. – С. 393–400.
32. Wang Z., Bovik A. C, Sheikh H. R., Simoncelli E. P. Image quality assessment:
From error visibility to structural similarity. IEEE Trans. Image Processing.
2021.Vol. 13. – P. 600–612.
33. Yasar G. S. Animals as mobile biological sensors for forest fire detection.
Sensors. Basel, Switzerland, 2020. № 7 (12). – С. 3084–3099.
34. Zhao K., Valle D., Popescu S. Hyperspectral remote sensing of plant
biochemistry using Bayesian model averaging with variable and band selection.
Remote Sensing of Environment. 2018. № 132. – P. 102– 119.
35. Zhenmin S., Weidong S., Yuzhao W., Long G. Analysis of Optical Properties
of Off-Axis Reflective Volume Holographic Grating. Optics and Photonics
Journal. 2022. № 6. – P. 136-144.
36. Александер М. Б. Методи та моделі забезпечення захисту безпровідних
сенсорних мереж: дис. докт. техн. наук: 05.13.21 / Національний авіаційний
університет. Київ, 2021. – 225 с.
37. Алєксєєв О. М., Бондарєв Д. І. Перспективи розвитку безпілотного та
муніципального авіаційного транспорту в Україні. Системи обробки
інформації. 2020. № 8. – С. 10–16.
38. Бондарєв Д. І., Кучеров Д. П., Шмельова Т. Ф. Моделі групових польотів
безпілотних літальих апаратів з використанням теорії графів. Наука і
техніка Повітряних Сил Збройних Сил України. 2018. №3. – С. 68–74.
39. Даник Ю. Г., Пулеко І. В. Виявлення безпілотних літальних апаратів на
основі аналізу акустичних та радіолокаційних сигналів. Вісник ЖДТУ.
2019. № 4. – С. 71–81.
40. Застосування мереж Хеммінга для нечіткого пошуку URL:
http://victoria.lviv.ua/html/oio-l/3.html (дата звернення: 15.10.2023).
41. Іванець Г. В., Бугайов А. Ю. Прогнозування надзвичайних ситуацій
техногенного характеру на основі статистичних даних моніторингу.
Харків: НУЦЗУ, 2019. №. 23. – С. 39–45.
42. Колобородов В. І., Харитоненко К. В. Застосування методів і алгоритмів
77
цифрової обробки зображень в оптико-електронних приладах. Вісник
НТУУ "КПІ". Київ, 2020. №40. – С. 23 – 31.
43. Комаров В. С, Солонець О. І. Застосування космічних систем
дистанційного зондування Землі в інтересах національної безпеки і
оборони України. Системи обробки інформації. Обробка інформації в
складних технічних системах. 2018. № 3(70). – С. 73 –75.
44. Кононюк A. Ю. Нейроні мережі і генетичні алгоритми. Київ: Корнійчук,
2018. – 446 с.
45. Костріков С. В. Геоінформаційне моделювання природно-антропогенного
довкілля: наукова монографія. Харків: ХНУ ім. В.Н. Каразіна, 2019. –
484 с.
46. Кузик А. Д. Математичне моделювання пожежної небезпеки лісів.
Науковий вісник НЛТУ України. Львів, 2021. Вип. 21.16. – С. 104 – 112.
47. Кузик А. Д. Про методи гасіння лісових пожеж. Пожежна безпека: зб. наук.
праць, м.Львів, ЛІПБ, 2019. № 3. – С. 118–120.
48. Лаврівський М. З., Тур Н. Е. Використання безпілотних літальних
апаратів для моніторингу надзвичайних ситуацій у лісовій
місцевості.Збірник науково-технічних праць. Науковий вісник НЛТУ
України. 2019. Вип. 25.8. – C. 353–359.
49. Проценко М. М. Аналіз методів цифрової обробки відеозображень
апаратурою безпілотного літального апарату. Вісник ЖДТУ. Житомир,
2019. № 1. – С. 89–95.
50. Путренко В. В. Інтелектуальний аналіз небезпеки виникнення природних
пожеж на основі геоінформаційних технологій. Проблеми безперервної
географічниї освіти і картографії: зб. наукових праць. Харківський
національний університет імені В. Н. Каразіна. Харків, 2019. № 19. – С. 48.
51. Путренко В. В. Інтелектуальний аналіз небезпеки виникнення природних
пожеж на основі геоінформаціних технологій. Технологічний аудит та
резерви виробництва. Харків, 2019. № 4/3(30). – С. 67–72.
52. Радецький В. Г., Руснак І. С., Даник Ю. Г. Безпілотна авіація в сучасній
78
збройній боротьбі: монографія. Київ: НАОУ, 2018. – 224 с.
53. Розробка системи контролю та управління роботизованими мобільними
засобами для комплексного моніторингу стану середовища та наземних
об'єктів. 2022. URL: https://report.kpi.ua/files/2016_2835.pdf (дата
звернення: 08.10.2023).
54. Ямненко Ю. С., Тєлєга В. В., Нємчінова К. С. Використання вейвлет-
перетворень Хаара та ОБ при аналізі сигналів. ElectronCommun. Теорія та
засоби обробки сигналів і зображень 2017. Vol. 22, № 4. – C. 51–58.
DOI: 10.20535/2312-1807.2017.22.4.105272.
55. Яцків В. В., Башуцький В. В. Система контролю лісових пожеж на основі
безпровідних сенсорних мереж. Сучасні комп’ютерні інформаційні
технології: матеріали V Всеукр. шк.-семінару молодих вчен. і студ.
АСІТ’2018, м. Тернопіль, ТНЕУ, 22 – 23 трав. 2018 р. Тернопіль, 2018.
– С. 63-64.

ChSTU repository

ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets