ВІДТВОРЕННЯ ПРОСТОРОВО-ЧАСОВОЇ МОДЕЛІ ШВИДКОПЛИННИХ РУЙНІВНИХ ПРОЦЕСІВ ЗА ДОПОМОГОЮ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ
Ключові слова:
безпілотний літальний апарат, дистанційне зондування, багаторакурсне спостереження, невизначеність, фронт вогню, воксель, октодерево, сіра нечітка м’яка множинаАнотація
У статті представлено новий метод побудови м’якої сірої нечіткої моделі швидкоплинного руйнівного процесу за допомогою дистанційного зондування групою безпілотних літальних апаратів на прикладі лісової пожежі. Запропонований підхід дозволяє отримати тривимірну просторово-часову модель розповсюдження фронту вогню, рух якого відображає динаміку процесу. Для подолання невизначеності спостережень, викликаної впливом вітру, диму, турбулентності та вібраціями, перешкодами, викривленнями та спотвореннями побудовано комплексну модель невизначеності, засновану на спільному застосуванні нечітких і м’яких множин та «сірих» чисел. Для організації дистанційного зондування групою безпілотних апаратів розроблено просторову модель, засновану на ієрархічній структурі вокселів, що подають ділянки тривимірного простору для співставлення зображень з різних позицій, та рекурсивній моделі октодерева, що дозволяє вирішити протиріччя між точністю спостережень і швидкістю побудови моделі. Визначено множину можливих станів вокселів, запропоновано їх класифікацію, розроблено метод обчислення тривимірного вектору спостереження, поданого масивом векторів впевненості, за допомогою яких визначають сірий нечіткий стан вокселів, що дозволяє поєднувати спостереження від різних спостерігачів та послідовно їх уточнювати. Розвиток швидкоплинного руйнівного процесу подано м’якою сірою нечіткою множиною вокселів, які відносять до певного стану в певний момент, що дозволяє визначити переконливий, неви- значений, підозрілий та негативний компоненти моделі процесу, при цьому переконливий компонент подає стабільне ядро фронту вогню, невизначений компонент – його змінну, викликану невизначеністю спостережень, негативний компонент – простір, не задіяний у розвитку процесу. За допомогою підозрілого компоненту моделюється неповнота спостережень. Запропонований метод дозволяє відтворювати швидкоплинні просторово-розподілені руйнівні процеси різних класів, згладжуючи ефекти спотворень і шумів та забезпечуючи прийнятну продуктивність.
Посилання
Shen, G., Zhou, L., Wu, Y., Cai, Z.: A global expected risk analysis of fatalities, injuries, and damages by natural disasters. Sustainability, 2018, vol. 10(7), p. 2573.
Newman, J., Maier, H., Riddell, G., Zecchin, A., Daniell, J., Schaefer, A., van Delden, H., Khazai, B., O’Flaherty, M., Newland, C.: Review of literature on decision support systems for natural hazard risk reduction: current status and future directions. Env. modeling & software, 2017, vol. 96(C), pp. 378–409.
Yuan, C., Liu, Z., Zhang, Y.: Aerial images–based forest fire detection for firefighting using optical remote sensing techniques and unmanned aerial vehicles. J. Intel. & Robotic Syst., 2017, vol. 88, pp. 635–654.
Merino, L., Martínez de Dios, J., Ollero, A.: Cooperative Unmanned Aerial Systems for Fire Detection, Monitoring, and Extinguishing. In: Valavanis K., Vachtsevanos G. (eds). Handbook of Unmanned Aerial Vehicles, 2015, pp. 2693–2722.
Sherstjuk, V., Zharikova, M., Dorovskaja, I., Sheketa, V.: Assessing Forest Fire Dynamics in UAV-Based Tactical Monitoring System. Advances in Intelligent Systems and Computing, 2020, vol. 1246, pp. 285–301.
Sherstjuk, V., Zharikova, M., Dorovskaja, I.: 3D Fire Front Reconstruction in UAV-Based Forest-Fire Monitoring System. In: Proc. of IEEE Third International Conference on Data Stream Mining & Processing (DSMP), 2020, pp. 243–248.
Andrews, P.L.: The Rothermel surface fire spread model and associated developments: A comprehensive explanation. Gen. Tech. Rep. RMRS-GTR-371. Fort Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station. 2018, 121 p.
Sherstjuk, V., Zharikova, M.: Evaluation of Fire Intensity Based on Neural Networks in a Forest-Fire Monitoring System. In: Proc. of IEEE 39th Int. Conf. on Electronics and Nanotechnology (ELNANO’2019), Kyiv, Ukraine, 2019, pp. 802–807.
Sherstjuk, V., Zharikova, M.: Fire-Front Recognition in UAV-Based Forest-Fire Monitoring System Using Fuzzy Rough Soft Sets. In: Proc. of IEEE 2nd Ukraine Conf. on Electrical and Computer Engineering (UKRCON), Lviv, Ukraine, 2019, pp. 1091–1096.
Mendez, O., Hadfield, S., Pugeault, N., Bowden, R.: Taking the Scenic Route to 3D: Optimising Reconstruction from Moving Cameras. In: 2017 IEEE Int. Conf. on Computer Vision (ICCV), Venice, 2017, pp. 4687–4695.
Scott, W.R., Roth, G., Rivest, J.-F.: View planning for automated threedimensional object reconstruction and inspection. ACM Computing Surveys, 2003, vol. 35(1), pp. 64–96.
Galliani, S., Lasinger, K., Schindler, K.: Massively Parallel Multiview Stereopsis by Surface Normal Diffusion. In: IEEE Int. Conf. on Computer Vision (ICCV), Santiago, 2015, pp. 873–881.
Isler, S., Sabzevari, R., Delmerico, J., Scaramuzza, D.: An information gain formulation for active volumetric 3D reconstruction. In: IEEE Int. Conf. on Robotics and Automation (ICRA), Stockholm, 2016, pp. 3477–3484.
Vasquez-Gomez, J., Sucar, L., Murrieta-Cid, R., Lopez-Damian, E.: Volumetric Next-Best-View Planning for 3D Object Reconstruction with Positioning Error. Int. J. of Advanced Robotic Syst., 2014, vol. 11(10), pp. 1–13.
Sherstjuk, V., Zharikova, M., Dorovskaja, I., Chornyi, D., Gusev, V., Sokol, I.: 3D Fire Front Reconstruction Based on Multi-View Observation and Complex Uncertainty Model. Advanced Computer Information Technologies: Proc. of 11th Int. Conf., Deggendorf, Germany, 2021, pp. 761–765.
Alon, N., Spencer, J.: The Probabilistic Method. 2016. Wiley, New York, 4th. ed.
Zadeh, L.A.: Fuzzy sets. Information and Control, 1965, vol. 8(3), pp. 338–353.
Pawlak, Z.: Rough sets. Int. J. of Computer & Information Sciences, 1982, vol. 11(5), pp. 341–356.
Molodtsov, D.: Soft Set Theory – first results. Comput. and Math. with Appl., 1999, 37, 19–31.
Liu, S., Lin, Y.: Grey Numbers and Their Operations. In: Grey Information. Advanced Information and Knowledge Processing, 2006, pp. 23–43.
Yamaguchi, D., Li, G.-D., Chen, L.-C., Nagai, M.: Reviewing crisp, fuzzy, grey and rough mathematical models. In: Proc. of IEEE Int. Conf. on Grey Systems and Intelligent Services, 2007, Nanjing, China, pp. 547–552.
Hornung, A., Wurm, K., Bennewitz, M., Stachniss, C., Burgard, W.: Octomap: An efficient probabilistic 3d mapping framework based on octrees. Autonomous Robots, 2013, vol. 34(3), pp. 189–206.
Qian, G., Wang, H., Feng, X.: Generalized hesitant fuzzy sets and their application in decision support system. Knowledge-Based Syst., 2013, vol. 37, pp. 357–365.
