Метод деления района задач по тушению лесных пожаров на основе алгоритма SW-DBSCAN

Почему более продуманные линиями обороны важны

Когда вспыхивает крупный лесной пожар, пожарным приходится соревноваться не только с огнём, но и с хаосом. Одна полоса огня может тянуться на многие километры: в одних участках он мчится вперёд, в других — затухает, некоторые участки угрожают домам или линиям электропередачи. Решение о том, куда отправлять каждую бригаду, — вопрос жизни и смерти. В этом исследовании предложен новый способ автоматически разбивать длинный, постоянно меняющийся фронт пожара на практичные рабочие зоны, чтобы людей, вертолёты и беспилотники можно было направлять в нужное место в нужное время.

Преобразование движущегося пожара в управляемые куски

Авторы сосредотачиваются на ключевом этапе реагирования на лесные пожары: разделении фронта пожара на набор непрерывных зон задач, каждая из которых имеет схожие условия. По любой линии огня одни участки опаснее других. Головная часть пожара движется быстрее с интенсивным пламенем, хвост ползёт более медленно, фланги находятся где‑то посередине. Кроме того, там могут быть дома, культурные объекты или ценные лесные массивы, которые нужно защищать в первую очередь. Цель состоит в том, чтобы сгруппировать соседние точки на линии пожара, которые демонстрируют схожее поведение, рельеф, погодные условия и потребности в защите, так чтобы каждая группа стала единой задачей для бригады пожаротушения.

От сырых данных симулятора к интеллектуальной карте

Для тестирования своего метода исследователи использовали подробную симуляцию пожара для региона Оук Нолл в округе Напа, Калифорния. Они извлекли десять отдельных линий пожара, в сумме покрывающих около 282 километров, из симулятора FlamMap. Для каждой точки вдоль этих линий они собрали десятикомпонентное описание, включающее направление и скорость ветра, интенсивность пожара, направление и крутизну склона, плотность лесного полога, тип топлива, движение пожара в гору или нет, относительную позицию (голова, хвост или фланг) и наличие ключевой цели защиты. Все эти значения были приведены к общему масштабу, чтобы никакой отдельный фактор не доминировал лишь потому, что измеряется большими числами.

Адаптированный инструмент кластеризации для фронта пожара

Ядром работы является улучшенная техника кластеризации под названием SW‑DBSCAN. Стандартный DBSCAN — популярный метод для поиска плотных групп точек данных с игнорированием разреженного шума, но в данном контексте у него есть два недостатка: он может объединять отдалённые участки линии пожара, которые случайно имеют похожие показатели, и не выделяет ключевые локации — например головную часть пожара или охраняемое здание — как особенно важные. Новая версия вносит два изменения. Во‑первых, она использует «скользящее окно», которое ограничивает круг рассмотрения каждой точки её соседями вдоль короткого участка линии пожара, что помогает сохранять непрерывность получаемых рабочих зон в пространстве. Во‑вторых, она даёт дополнительный числовой вес признакам, отмечающим ключевые объекты и тип части пожара, увеличивая эффективное расстояние между, скажем, головной и хвостовой частями даже при прочих схожих характеристиках. Это облегчает разделение критических сегментов, требующих разных тактик.

Тестирование производительности и настройка параметров

Авторы изучали, как различные настройки формируют поведение их алгоритма. При увеличении весов для ключевых объектов и типов частей пожара метод стал значительно лучше корректно выделять головы, хвосты, фланги и защищаемые зоны, хотя это также привело к небольшому увеличению числа изолированных точек, рассматриваемых как выбросы. Регулировка длины скользящего окна показала компромисс: слишком короткое — и многие точки становятся изолированными; слишком длинное — и кластеры теряют непрерывность вдоль линии пожара. Они также варьировали радиус соседства и минимальное число соседей, необходимое для формирования ядра, каждое из этих значений влияло на то, насколько детально разделяется линия пожара и сколько точек отбрасывается как шум. Лучшие настройки находились на балансе между узнаваемостью, непрерывностью и низким уровнем выбросов.

Как новый метод смотрится по сравнению с другими

Чтобы понять, действительно ли SW‑DBSCAN полезен на практике, исследователи сравнили его с тремя другими пространственными методами кластеризации: стандартным DBSCAN, OPTICS и HDBSCAN. Они измеряли непрерывность каждого кластера вдоль линии пожара, точность идентификации ключевых зон, количество оставшихся выбросов, компактность и раздельность кластеров, а также время выполнения алгоритмов. SW‑DBSCAN создал кластеры, которые были гораздо более непрерывными, чем у других методов, при этом практически все ключевые объекты и части пожара были правильно идентифицированы. Он работал быстрее альтернатив и демонстрировал стабильное поведение на десяти разных линиях пожара. Хотя доля выбросов у него была немного выше, чем у стандартного DBSCAN, она оставалась ниже примерно 10 %, что авторы считают приемлемым для данного применения.

Что это значит для людей на линии фронта

Проще говоря, эта работа предлагает более умный способ нарисовать зоны на карте пожара. Вместо того чтобы инженеры вручную делили фронт на зоны, опираясь на опыт и приблизительные суждения, метод SW‑DBSCAN может автоматически предлагать непрерывные, чётко различимые рабочие участки, которые выделяют быстро движущиеся фронты и уязвимые объекты. Это, в свою очередь, может поддержать более точное развертывание бригад, авиации и оборудования, потенциально снижая ущерб и спасая жизни. Авторы отмечают, что прежде чем система станет полностью оперативной, потребуются дополнительные данные из реального мира, проверки в большем числе регионов и будущие улучшения — например, распознавание различных типов защищаемых объектов и работа с меняющимися во времени линиями пожара. Тем не менее это важный шаг к управлению сложностью пожаров на основе данных.

Цитирование: Huang, Q., Huang, Y. A forest firefighting task area division method based on the SW-DBSCAN algorithm. Sci Rep 16, 14089 (2026). https://doi.org/10.1038/s41598-026-42407-0

Ключевые слова: управление лесными пожарами, планирование действий при лесных пожарах, алгоритм кластеризации, DBSCAN, экстренное реагирование