Оценка природной пожарной опасности растительности по данным спутниковых наблюдений

В данном исследовании содержится описание разработки системы, основанной на микросервисной архитектуре с использованием программного обеспечения обработки пространственных данных состояния растительности и данных наземного мониторинга за погодными условиями на территории Еврейской автономной области. Расчеты выполняются в авторской веб-ориентированной системой прогноза пожарной опасности с различной заблаговременностью на основе данных погодных условий с 1960 по 2026 гг. и пожарной растительности с 1980 по 2026 гг.. В отличие от монолитных подходов разработки модулей, выбрана микросервисная архитектура, которая обеспечивает декомпозицию на слабосвязанные, независимо развертываемые сервисы. Каждый сервис отвечает за конкретную задачу: приём и нормализацию данных (спутниковые снимки, метеостанции, пожары растительности, статистические порталы), аналитическую обработку с применением алгоритмов машинного обучения и расчёта лесопожарных рисков. При пространственной обработки используются спутниковые данные Sentinel-2 и MODIS. Для Sentinel-2 L2A формируются растры индексов NDVI и NBR с отбором наименее облачных сцен; для MODIS используется временной ряд NDVI продукта MOD13Q1. Полученные растры привязаны к картографической проекции WSG 84, а их статистические характеристики рассчитываются по операционно-территориальным единицам заданного размера 0,05ͦ. На примере спутниковых данных весеннего периода 2026 года получены средние значения NDVI и NBR, которые преобразуются в показатель состояния растительности, с полученными значениями дневной температурой воздуха и точки росы, суточным объемом осадков, индексом пожарной опасности по В.Г. Нестерова включаются в интегральную оценку лесопожарного риска.
Дальнейшее развитие системы предполагает интеграцию средств машинного обучения детального вертикального анализа многослойных данных дистанционного мониторинга, улучшение методов интерполяции индексов на участках растительности, а также расширение набора пространственных данных для обучения нейронной сети, выявления наиболее пожароопасных операционно-территориальных единиц и построение маршрутов их патрулирования.