универсальной методики расчёта экологического риска
advertisement
Разработка универсальной методики расчёта экологического риска возникновения пожара на несанкционированных свалках Рябов Ю.В. riabovvv@gmail.com Санкт-Петербургский Научно-исследовательский центр экологической безопасности РАН октябрь 2011 г. Подготовлено для Геоконкурса 2011: Исследование пожарной динамики на основе данных дистанционного зондирования http://gis-lab.info/projects/geokonkurs2011 Аннотация Несанкционированные свалки представляют серьёзную угрозу экологической безопасности Ленинградской области и Санкт-Петербурга, а также многим другим регионам России и мира. Поэтому оценка соответствующих экологических рисков (для целей последующего экологического страхования и управления рисками) актуальна. Оценка экологических рисков, связанных с несанкционированными свалками — многоплановая задача, решение которой требует существенных усилий. Данное исследование посвящено только одному аспекту оценки, а именно — риску возникновения пожара на несанкционированной свалке. Целью исследования является разработка универсальной методики оценки экологического риска (в трактовке федерального закона «об охране окружающей среды»), связанного с возможностью возникновения пожара. В исследовании использованы данные глобального мониторинга пожаров FIRMS за период с 2001 по 2011 гг., а также данные (собранные из различных источников) о местоположении и размере несанкционированных свалок на территории Ленинградской области и СанктПетербурга. Предложенная методика основана на применении статистического метода количественной оценки и применима для любого региона России или мира. Критикуется определение термина «экологический риск», данное в законе «об охране окружающей среды». Очерчены рамки будущих исследований. 1 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Введение Проблема несанкционированных свалок (далее — свалки) чрезвычайно остро стоит в России, да и во многих странах, включая развитые. В Ленинградской области свалки признаны основной экологической проблемой региона [4]. Под свалкой в данном исследовании понимается несанкционированное размещение отходов сплошным свалочным телом или отдельно расположенными очаговыми навалами отходов объемом более 10 м3 и (или) площадью более 200 м2 [7]. Свалки оказывают негативное воздействие на окружающую среду, загрязняя поверхностные и грунтовые воды, почву и атмосферный воздух опасными компонентами отходов находящимися на свалке, а также продуктами их реакций. Но наибольшую опасностью представляет возгорание свалки. Во время горения отходов образуются супертоксиканты [2, 3], негативное действие которых усугубляется чрезвычайной мобильностью, обусловленной мгновенным их поступлением в атмосферу вместе с другими продуктами горения. Таким образом, оценка экологических рисков, связанных со свалками является актуальной. Результаты оценки этих рисков можно использовать для следующих целей: • для управления риском; • для определения размеров штрафных санкций; • для целей экологического страхования (муниципальные образования зачастую вынуждены избавляться от свалок и проводить рекультивацию земель за свой счёт; страхование соответствующих рисков помогло бы смягчить финансовые потери). Очевидно, что тема оценки экологических рисков, связанных со свалками слишком обширна, чтобы охватить её в одном небольшом исследовании. Здесь мы намерены сконцентрироваться даже не на исследовании рисков возникновения пожаров на свалках (оценка риска предполагает оценку вероятности возникновения негативной ситуации и оценку ущерба, к которому может привести данное событие), а лишь на оценке вероятности возникновения пожара. Целью данного исследования является разработка простой и универсальной методики (применимой для любого субъекта РФ или его части, а так же для других регионов мира) определения количественной оценки среднегодовой вероятности пожара на свалке в зависимости от её местоположения, размера и состава, что эквивалентно расчёту экологического риска (в терминах ФЗ «об охране окружающей среды», см. Раздел 1.2) возникновения пожара на свалке и апробирование разработанной методике на доступных данных. 1 Материалы и методы Основной метод, используемый для достижения поставленной цели — статистический метод количественной оценки [1]. 1.1 Программное обеспечение и данные Используемое программное обеспечение Методика расчёта экологического риска должна быть универсальна и легко воспроизводима, поэтому должна присутствовать возможность её реализации с использованием открытых 2 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. данных и кроссплатформенного программного обеспечения с открытым исходным кодом. Для анализа данных использовалось следующее программное обеспечение: QGIS, R (в частности, пакет spatstat). Сведения о свалках Автору отказали в доступе к сведениям, содержащимся в базе данных свалок Комитета по природным ресурсам Ленинградской области, поэтому в исследовании использовались сведения, доступные из интернет-источников (wikiMapia.org, OpenStreetMap.org, lesnadzor.ru, 47news.ru, zakupki.gov.ru1 , maps.google.com), а также результаты собственных полевых обследований. Была собрана информация о местонахождении и площади 150 свалок на территории Санкт-Петербурга и Ленинградской области. Данная информация не является исчерпывающей, однако, позволяет достичь цели, поставленной в исследовании. Сведения о пожарах В качестве исходных данных о пожарах использовались архивные данные FIRMS (Fire Information for Resourse Management Systems), доступные в том числе на территорию Ленинградской области и Санкт-Петербурга, а также в 20-километровой буферной зоне за пределами границ Ленинградской области за период с января 2001 по июль 2011 года включительно. Эти данные — сведения об очагах возгорания (так называемых горячих точках ), полученные с помощью анализа снимков MODIS и представленные в виде точечного слоя, в котором каждая точка является центром пикселя снимка пространственным разрешением 1 км, отмеченного как содержащий один или более активный очаг возгорания [21]. Таким образом, пространственная точность данных FIRMS не превышает 1 км. Для данного исследования использовались все горячие точки (свыше 7000), содержащиеся в архиве FIRMS на изучаемую территорию. Отсев не производился, так как предполагалось, что в данном исследовании важны все точки вне зависимости от их яркости или вероятности достоверности фиксации пожара. Была произведена предварительная оценка возможности обнаружения пожаров на свалках по данным FIRMS. Например, в июле 2011 рядом с деревней Смешино Ленинградской области свалка горела несколько дней [9], однако, только одна горячая точка была зафиксирована (в пределах километровой буферной зоны вокруг свалки) за всё время горения. Ни одной горячей точки не было зафиксировано в пределах километровой зоны вокруг полигона Красный бор, не смотря на то, что за последние 10 лет там произошло несколько крупных пожаров [10]. В то же время, несколько пожаров в разные годы были зафиксированы на полигоне МПБО-2 в посёлке Левашово, СанктПетребург. Из этого можно сделать вывод, что обнаружение пожаров на свалках по данным FIRMS хоть и ограничено, но возможно. В исследовании [17] показано, что каждая из горячих точек соответствует, в зависимости от региона, тому или иному среднему значению площади выгоревшей территории (см. Таб. 1). Для Ленинградской области это значение составляет 1,3 км2 . Данная информация важна для последующих вычислений и позволяет отказаться от ресурсоёмкой обработки растровых изображений MCD45, содержащих сведения о выгоревших территориях [16] для вычисления их площадей. 1 Сведения о конкурсах на уборку несанкционированных свалок содержат информацию о местонахождении свалок и объёме мусора в них. 3 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Таблица 1: Эффективная площадь выгоревшей территории на 1 горячую точку MODIS [17] Регион Средняя площадь выгоревшей территории на 1 пиксель снимка MODIS, содержащий пожар, км2 /пиксель Бореальная Северная Америка 1,4 Умеренная Северная Америка 0,84 Центральная Америка 0,43 Южная Америка (северное полушарие) 1,0 Южная Америка (южное полушарие) 0,29 Европа 3,1 Средний Восток 0,40 Африка (северное полушарие) 5,2 Африка (южное полушарие) 2,9 Бореальная Азия 1,3 Центральная Азия 6,6 Южная Азия 2,9 Экваториальная Азия 0,49 Австралия 3,4 Альтернативными источниками данных о пожарах могут являться сведения МЧС (но они отсутствуют в открытом доступе), а также продукты группы MOD14 [18]. Однако, продукты MOD14, созданные по тем же спутниковым снимкам и при помощи идентичных алгоритмов, что и FIRMS, требуют дополнительных усилий по конвертации в точечный геоинформационный слой. Это делает их использование в предлагаемой методике нецелесообразным. При оценке вероятности возникновения пожара на несанкционированной свалке будут рассмотрены её пространственная составляющая и составляющая, зависящая от физических свойств свалки (её размер, состав отходов). Так как в данном исследовании предполагается получение оценочных значений вероятности возникновения пожара, а не создание сложной прогнозной методики (как, например, «детерминированно-вероятностная система прогноза лесной пожарной опасности» [6]), то непосредственное изучение пространственных факторов, влияющих на возникновение пожара (например, мест более частого образования грозовых фронтов [5]) нецелесообразно. Отказ от анализа факторов, влияющих на пространственную вероятность реализации события при вычислении пространственного распределения вероятностей оправдано и имеет место в научной практике. В качестве примера можно привести создание модели, предсказывающей возникновения землетрясений в Японии [19] на основании одних только данных о положении эпицентров землетрясений, дате возникновения и магнитуде. 1.2 Риск и экологический риск Под риском в данном исследовании подразумевается мера опасности, характеризующая вероятность возникновения опасности за определённое время и размеры связанного с ней ущерба. Соответственно под экологическим риском — мера опасности, характеризующая вероятность возникновения опасности для природной среды и здоровья человека за опреде4 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. лённое время и размеры связанного с ней ущерба. Заметим, что такая трактовка понятия экологический риск разнится с определением, данным в Федеральном законе «Об охране окружающей среды», согласно которому, экологический риск — это всего лишь «вероятность наступления события, имеющего неблагоприятные последствия для природной среды и вызванного негативным воздействием хозяйственной и иной деятельности, чрезвычайными ситуациями природного и техногенного характера» (подчёркивание наше). Таким образом, понятие «экологический риск» в российском законодательстве необоснованно упрощено. Общая формула оценки риска и (как и формула оценки экологического риска) выглядит следующим образом [1]: (1) R = QW , где R — риск, Q — вероятность появления опасности за определённое время, W — средний ущерб. 1.3 Расчёт риска возникновения пожара на несанкционированной свалке В предлагаемой методике экологический риск возникновения пожара на несанкционированной свалке раскладывается на 2 составляющие: пространственную и вещественную. Вещественная составляющая искомой вероятности (вероятность возгорания) зависит от таких свойств свалки, как её размер и состав отходов. Пространственная составляющая искомой вероятности (вероятность выгорания) зависит от местоположения свалки: Re = (Qi + Qb )W , (2) где Re — экологический риск Qi — вероятность возгорания свалки, Qb — вероятность выгорания свалки. Вероятности будут иметь размерность % в год. Использование процентов связано с ограничением формата *.shp на точность десятичной дроби в 5 знаков после запятой, чего не всегда достаточно при вычислении вероятности. Вероятность возгорания За основу вычисления вероятности возгорания взята формула вероятности реализации хотя бы одного события за время 4t [1] (в нашем случае 4t равняется одному году): Q(4t) = 1 − exp(−λ 4 t), (3) где λ— частота реализаций, вычисляемая по формуле, предложенной в [1]: λ = d / 4 T, (4) где d — число опасных явлений (возгораний свалок) за интервал наблюдения 4T . Так как информация о времени существования той или иной свалки отсутствует, и получить её не представляется возможным, то мы вводим следующие допущения: все зафиксированные свалки существовали с 2006 года и их площадь не менялась. Таким образом, 4T = 5, 5 лет. Так как пространственная точность локализации горячих точек составляет 1 км, то те точки, которые попадали в пределы километровой буферной зоны вокруг свалки, считались свидетельством возгорания свалки, и их число бралось как число возгораний d. Если в пределах 5 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. буферной зоны одной и той же свалки оказывалось несколько горячих точек, зафиксированных с разницей меньшей, чем 3 дня, то все они считались одним возгоранием во избежание необоснованного увеличения значения d. Однако, вероятность, вычисленная по формуле (3), будет носить общий характер для Санкт-Петербурга и Ленинградской области, и полученная величина будет характеризовать лишь вероятность того, что хотя бы одна свалка загорится на территории обследуемых субъектов РФ. Для вычисления вероятности возгорания отдельно взятой свалки мы исходили из следующих соображений: • Вероятность реализации хотя бы одного возгорания равномерно распределена по всем свалкам региона. • Вероятность возгорания свалки (Qi ) должна зависеть от количества и состава мусора в свалке. Так как эти данные возможно получить только при полевом обследовании, для удобства расчётов следует использовать усреднённые данные по составу уже обследованных несанкционированных свалок региона и учитывать их через соответствующий коэффициент kc . По той же причине вместо объёма (более точно отражающего количество мусора в свалке) следует учитывать площадь свалки, которая может быть легко измерена по спутниковым снимкам и учтена в расчётах через соответствующий коэффициент ks . • При расчёте вероятности возгорания не должны браться в расчёт факторы, зависящие от местоположения свалки, например, плотность населения в данной местности, средний доход местных жителей, удалённость от автомагистралей и прочее. Местоположение свалки действительно влияет на вероятность возникновения пожара, но оно будет учитывается через вероятность выгорания. Таким образом, мы предлагаем вычислять вероятность возгорания i-ой свалки по следующей формуле: Q(4t) × 100 %, (5) N где N — общее количество свалок зафиксированных в обследуемом регионе на момент проведения расчётов (в данном случае 150), 4t — промежуток времени для которого вычисляется вероятность (1 год), ks — поправочный коэффициент, зависящий от площади i-ой свалки, Q(4t)/N — средняя вероятность возгорания отдельной свалки. Qi = kc ks Расчёт поправочного коэффициента, зависящего от площади свалки (ks ) Предполагается, что при увеличении размеров свалки увеличивается и вероятность её возгорания. Это связано и с химическими реакциями, возникающими в теле свалки, и с тем, что большее количество мусора говорит о более частом посещении данной свалки человеком, что повышает вероятность умышленного или неумышленного (в случае брошенного окурка) поджога отходов. Расчёт коэффициента ks предлагается производить через вычисление относительной частоты возгораний свалок различного размера. Расчёт делится на следующие этапы: • Вычисление величины среднеквадратичного отклонения для площадей свалок (σs ). 6 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. • Разбиение массива данных о площадях свалок на части в зависимости от попадания значения площади в один из интервалов, границы которых определяются величиной σs . Например, в случае, если значения площадей свалок подчиняются закону нормального распределения, то можно использовать следующие интервалы: (−∞; −1, 5 σs ], (−1, 5 σs ; µ], (µ; 1, 5 σs ], (1, 5 σs ; ∞), где µ — математическое ожидание значения площади свалки. • Для каждого из указанных интервалов рассчитывается относительная вероятность возгорания свалок (Q(a, b] ) в данном интервале значений площади за время 4t: Q(a, b] = Qσ (4t) , N(a, b] (6) где Qσ (4t) вычисляется по формуле (3), но только для свалок, значения площадей которых попадают в интервал (a, b], а N(a, b] — общее количество свалок, значения площадей которых попадают в интервал (a, b]. • Тогда поправочный коэффициент ks (a, b] для свалок со значениями площадей из интервала (a, b], находится через отношение средней вероятности возгорания свалки, чьё значение площади попадает в интервал (a, b] к средней вероятности возгорания отдельной свалки (Q(4t)/N ): Q(a, b] Qσ (4t) N = (7) ks (a, b] = Q(4t) /N Q(4t) N(a, b] Расчёт поправочного коэффициента, зависящего от состава отходов свалки (kс ) Расчёт данного коэффициента можно производить по тому же принципу, что и расчёт ks , только вместо значений площадей использовать долю горючих отходов (пластик, бумага, дерево и т.п.) в общем составе отходов. Более подробное рассмотрение способа расчёта данного коэффициента будет возможно после получения сведений о составе отходов конкретных свалок. Для точного расчёта kc и ks необходимо обладать достаточным количеством эмпирического материала, который на данный момент у автора отсутствует. Вероятность выгорания Вероятность выгорания территории на которой расположена свалка (Qb ) вычисляется по формуле: Pn Qb = Sf i × 100 %, S 4T i=1 (8) где Sf i — площадь i-го пожара на данной территории, n — общее количество пожаров, зафиксированных на обследуемой территории, S — площадь территории, для которой вычисляется возгорание, 4T — интервал наблюдений (в годах) за который проводятся наблюдения (в данном случае берётся период с 2001 по июль 2011, т.е. 4T = 10, 5). Принимая во внимание, что площадь каждого очага возгорания, зафиксированного аппаратурой MODIS для Ленинградской области можно принять равной 1,3 км2 [17], а территорию Ленинградской области и Санкт-Петербурга можно поделить на элементарные участки, формула (8) принимает следующий вид: 7 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. n X 1 n × 1,3 × 100 % = n × 12, 38 %, Qb = i=1 Si i=1 Si × 10, 5 " n X # " # (9) где Si — площадь i-го участка. Средняя плотность точек для элементарного участка (λi ) может быть вычислена по формуле: λi = n Si (10) Подставив её в выражение (9), получим: Qb = n X λi × 12, 38 % (11) i=1 Или в общем случае: Pn Qb = i=1 (λi 4T Sf i ) × 100 % (12) Таким образом, вычисление вероятности выгорания территории сводится, к расчёту плотности горячих точек на данной территории. При желании точность расчёта вероятности выгорания можно немного повысить путём учёта среднего процента лесистости территории. Данный фактор оказывает определённое влияние на среднее значение площади выгоревшей территории, приходящейся на одну горячую точку [17]. Однако, с одной стороны, это необоснованно усложнит методику из-за необходимости учёта динамики землепользования (за 10 лет процессы вырубки, зарастания, добычи полезных ископаемых и т.п. могут серьёзно повлиять на лесистость), с другой — в работе [17] не переведены данные о влиянии лесистости на среднее значение площади выгоревшей территории, приходящейся на одну горячую точку для региона Бореальной Азии, а значит потребуются дополнительные исследования. Поэтому от учёта данного фактора можно отказаться. Расчёт плотности точек Для расчёта плотности точек могут использоваться следующие методы: 1. Анализ на основе регулярной пространственной сетки: (a) Ядерная оценка плотности. Этот метод популярен, поэтому описываться здесь не будет (за более подробной информацией о его теоретической базе, а так же практической реализации в статистической программе R можно обратиться к [11]). К его недостаткам следует отнести зависимость результата от используемых параметров [20], а также неудовлетворительные результаты оценки плотности в случае наличия значительных участков разреженного пространства между точками [15]. 2. Анализ на основе нерегулярной пространственной сетки: 8 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. (a) Adaptive density 2 (пакет spatstat в R, функция adaptive.density). Набор данных X случайным образом разбивается на две части A и B, содержащие фракции f и 1 − f изначальных данных соответственно. Часть A используется для создания полигонов Вороного, а часть B — для подсчётов. Для каждого полигона считается количество точек из B, попадающих в неё, и делится на площадь этого полигона. Полученное значение делится на 1 − f . Итоговое значение и есть средняя плотностью X в данном кусочке мозаики [13]. Результатом вычислений является растровое изображение. Возможна реализация n итераций алгоритма и усреднение их результатов. К недостаткам метода следует отнести зависимость результата от выбранных параметров (доли точек, участвующих в построении сетки и количества итераций). (b) Voronoi centroidal estimator [14, 15]. В этом методе расчёт плотности точек происходит следующим образом. Вокруг точек строятся полигоны Вороного, затем из получившихся полигонов извлекаются центроиды. На определённом расстоянии между точками и соответствующими центроидами берутся точки вокруг которых снова строят полигоны Вороного. Всего реализуется 3 итерации, причем каждый раз новые точки для построения полигонов сдвигаются соответственно на 80 %, 50 % и 20 % расстояния между начальными точками и центроидами. Величина, обратная площади отдельного полигона и будет значением средней плотности точек для данного полигона. Этот метод реализован в R в пакете Voronoi, который, к сожалению, не поддерживает работу с *.shp файлами. Поэтому расчёты проводились при помощи QGIS. Координаты новой точки (xi , yi ), находящейся между начальной точкой с координатами (xi1 , yi1 ) и соответствующим центроидом с координатами (xi2 , yi2 ), вычислялись по формуле: (xi , yi ) = (xi1 , yi1 )+p (xi2 −xi1 , yi2 −yi1 ), где p принимает значения 0,8, 0,5 и 0,2 для соответствующих итераций. Voronoi centroidal estimator лишён недостатков, отмеченных для методов, приведённых выше. Кроме того, по сравнению с adaptive density он обладает более высокой пространственной точностью, так как для построения сетки используются все точки, а не их часть. Анализ ближайшего соседства горячих точек за 10,5 лет показывает, что они кластеризованы (индекс ближайшего соседства = 0,308, а Z = −111, 989 ). Это значит, что метод ядерной оценки плотности не подходит, так как даёт заниженные (нулевые) значения плотности в местах, где точки разрежены. Результаты метода adaptive density во многом зависят от подобранных параметров. Сам же алгоритм, реализованный в R, плохо справляется с обработкой, если количество точек превышает несколько сотен. В данном случае общее количество точек превышает 7000, в том числе в некоторые годы число зафиксированных пожаров достигало 2000. Для расчётов использовались два набора параметров: в пером f = 0, 1, а количество итераций — 30; во втором f = 0, 8, а количество итераций — 30. Главным препятствием для применения вышеуказанных методов к имеющемуся набору данных является необходимость учёта того, что горячие точки архива FIRMS далеко не всегда вписываются в схему «один пожар — одна горячая точка»: часто одному крупному пожару (охватывающему многокилометровую территорию и продолжавшемуся несколько дней) соответствует несколько (иногда несколько десятков и даже сотен) горячих точек. Подобные 2 Автор не встречал перевода названия этого метода на русский язык и не взял на себя смелость переводить его самостоятельно во избежание недоразумений. То же относится и к Voronoi centroidal estimator. 9 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. крупные пожары создают локальные повышения плотности точек, которые в конечном счёте приведут к завышению значений вероятности на конкретном участке. Тотальное выявление горячих точек, принадлежащих одному пожару, и замена их одной, представляющей, например, геометрический центр пожара, нецелесообразно не только из-за алгоритмической сложности выделения кластеров крупных пожаров (в данном случае мы считаем пожар крупным, если он представлен более чем тремя точками, каждая из которых удалена от другой не более чем на 1 км, а временное различие между двумя соседними точками не превышает трёх дней), связанной с тем, что крупные пожары распространены в пространстве и времени, и в некоторых случаях могут возникать на одной территории несколько раз в течение даже одного года, но и с тем, что подобная замена негативно скажется на пространственной точности полученных результатов. Поэтому проблема учёта вклада крупных пожаров в распределение плотности решалась для каждого метода отдельно, с учётом особенностей самих методов. Для метода Adaptive density мы не стали выявлять кластеры крупных пожаров в принципе. Вместо этого плотность точек считалась для каждого года отдельно, а полученные результаты усреднялись. Такой подход гарантировал, что крупные пожары будут локально увеличивать плотность только для расчётов, выполненных для конкретного года, а при усреднении результатов за 10,5 лет соответствующие экстремумы будут в значительной степени нивелированы. Ещё одним достоинством такого подхода является скорость обработки данных в R, ведь расчёт плотности точек, производимый этим методом превышает 5 часов для 2000 точек при доле точек, использующихся для построения полигонов Вороного, равной 0,83 . Аналогичную схему можно было бы применить и к методу Voronoi centroidal estimator, однако, из-за отсутствия готового решения для обработки *.shp-файлов, вычисление плотности точек проводилось на наборе данных за все 10,5 лет. После этого рассчитывалась вероятность и проводилась обследование и корректировка. Для этого выбирался полигон с наибольшей вероятностью и анализировалось наличие и примерное пространственное расположение пожаров имевших место на данной территории. В общем случае полигоны Вороного, затронутые крупным пожаром, объединялись в один, а вероятность выгорания для него пересчитывалась индивидуально по формуле (12), где в качестве площади пожара бралась площадь контура, описываемого периферийными точками пожара. Если в пределах одного пожара обнаруживались другие пожары, то площади перекрывающихся пожаров складывались (если перекрывающийся пожар не был крупным, то использовалось значение площади пожара по умолчанию — 1,3 км2 для каждой горячей точки). Практика показала, что полигоны для которых значение вероятности не превышает 4−5%/год (а их абсолютное большинство, см. Рис. 5) корректировать не требуется. Результаты такой корректировки продемонстрированы на Рис. 1. После этого обследовался следующий текущий полигон с наибольшей вероятностью. Следует отметить, что разбиение массива данных на отдельные годы не поможет в случае применения ядерной оценки плотности. Так как для всех лет будет применяться одна и та же фиксированная сетка, одинаковые размер и форма сглаживающего окна, и сглаживающая функция, то для крупного, но единственного пожара, случившегося на данном участке результат усреднения расчётов по годам не будет отличаться от результата, полученного для всего массива и поделённого на время наблюдения. Для применения этого метода нужны более изощрённые способы подготовки данных. Это обстоятельство вкупе с остальны3 Справедливо для системы со следующими параметрами: операционная система — openSUSE ×86_64; AMD Athlon 64 X2 2,3 Ггц; 2 Гб RAM. 10 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Рис. 1: Корректировка завышенных значений вероятности: полигоны, соответствующие крупному пожару (точки справа) после корректировки дают меньшее значение вероятности, чем несколько мелких пожаров, произошедших в разные годы (точки слева). ми недостатками метода вынуждает полностью отказаться от использования ядерной оценки плотности в данном исследовании4 . Помимо прочего, необходимо принять во внимание расположение водоёмов на обследуемой территории, чтобы исключить соответствующие акватории из расчётов. Так как пространственная точность горячих точек не превышает 1 км, то имеет смысл учитывать только те объекты, ширина которых существенно превышает 1 км. Таких водных объектов на территории Ленинградской области два: Ладожское озеро и Финский залив. В зависимости от используемого программного обеспечения их контуры можно либо сразу учесть при построении нерегулярной сети, либо обрезать полученную мозаику непосредственно перед расчётом плотности точек (это обеспечит учёт площадей только сухопутной части полигонов). Сравнение результатов расчётов вероятности выгорания Итоговый слой значений вероятности выгорания, полученный каждым из методов был представлен в виде растра с разрешением 1 км/пиксель для возможности сравнения результатов, полученных с помощью указанных методов. Сравнение проводилось путём вычитания значений одного растра из другого и обследования мест с максимальной разницей значений. В качестве основного критерия качества полученного результата было выбрано соответствие расчётных значений вероятности ожидаемому значению, основанному на данных о горячих точках. Значения вероятности для участка на котором был зафиксирован крупный и единственный пожар за десять лет, не должны превышать 10 % (эта величина соответствует одному случаю выгорания за период наблюдения). Значения же вероятности для участка на котором мелкие пожары наблюдались несколько раз за рассматриваемый период должны составлять первые десятки процентов. Так как разрабатываемая методика не предназначена для прогноза, то валидация результатов путём сравнения с местоположением горячих точек, зафиксированных после июня 2011 г, нецелесообразна. 4 Справедливости ради отметим, что расчёты с применением метода ядерной оценки плотности были проведены и все опасения по поводу его эффективности оправдались. 11 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Таблица 2: Примерные значения коэффициента ks Интервал значений площадей свалок, га №1 №2 №3 2 2.1 Кол-во свалок в интервале Кол-во пожаров на свалках в интервале ks 139 5 6 7 3 2 0,9 14,2 8,6 [0, 02; 13, 54] (13, 54; 27, 08] (27, 08; ∞) Результаты и обсуждение Вероятность возгорания Общее распределение площадей несанкционированных свалок представлено на Рис. 2. Следует отметить, что площадь свалки не всегда адекватно характеризует количество накопленного в ней мусора. Так две свалки с самой большой площадью представляют собой не единое тело, а отдельные кучи мусора, раскиданные по территории. Всего было обнаружено 12 пожаров на 11 свалках (из 150) и из них два документально подтверждены [9]. На Рис. 3 показаны площади горевших свалок (обратите внимание, что свалка №11 горела дважды). Таким образом, средняя вероятность возгорания отдельной свалки равняется 0,59 % в год. Распределение площадей свалок (Рис. 2) не является нормальным. Можно предположить, что оно пуассоновское. Однако, определение функции, описывающей наблюдаемое распределение требует отдельного рассмотрения и не в ходит в планы текущего исследования. В то же время, это распределение похоже на правую часть нормального распределения. Так как в данном исследовании важнее продемонстрировать подход, нежели вычислить точные значения коэффициентов, примем, что наши значения площадей представляют собой правую часть некоего нормального распределения. Дополнительные значения для мнимой левой части гипотетического нормального распределения получим путём вычитания из минимального значения площади свалки всех значений площадей свалок. Теперь можно рассчитать приблизительные значения коэффициента ks (см. стр. 6) для интервалов [µ; σs ], (σs ; 2σs ], (2σs ; ∞), где µ соответствует площади самой маленькой свалки, а σs — среднеквадратичное отклонение для гипотетического нормального распределения. В Таб. 2 приведены полученные значения коэффициента ks . Конечно, данных слишком мало и значения коэффициента ks приблизительные, именно этим можно объяснить его более низкое значение для свалок из интервала №3 по сравнению со свалками из интервала №2. Более смелым и менее правдоподобным объяснением разницы значений коэффициента для интервалов №2 и №3 может служить неожиданно высокая чувствительность метода, позволившая на основании столь скудных данных уловить отмеченную выше разницу в пространственной структуре самых больших свалок (которые скорее являются скоплением многих свалок, нежели единым целым) и свалок поменьше: здравый смысл подсказывает, что несколько куч мусора, расположенных недалеко друг от друга, имеют более низкую вероятность возгорания по сравнению со свалкой, содержащей такое же количество отходов, но представляющей собой единое тело. Примечательно, что минимальное значение коэффициента 0, 9 ≈ 1. Можно сделать осторожное предположение о том, что размеры свалки формируют только повышающие значения коэффициента. Иными словами, невозможно снизить вероятность возгорания свалки ниже 12 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Рис. 2: Распределение значений площадей свалок величины среднего значения возгорания отдельной свалки, путём удаления части отходов (если только не будет изменено соотношение горючих и негорючих отходов). Об этом же свидетельствует и повседневный опыт: урны с мусором горят относительно часто, несмотря на то, что они содержат мало отходов. Просто в них часто бросают окурки. Тем не менее, для того, чтобы дать более точную оценку значениям коэффициента ks следует привлечь сведения о возгораниях по большему количеству свалок, в том числе по другим регионам. 2.2 Вероятность выгорания Результаты расчёта вероятности выгорания территории, вычисленные на основе метода Voronoi centroidal estimator, представлены на Рис. 4. Видно, что на большей части Ленинградской области и Санкт-Петербурга вероятность выгорания составляет менее 1 % в год с минимумом в 0,00137 % на западе Ленинградской области. Максимальная вероятность (55 %) наблюдается на небольшом участке Всеволожского района (в относительной близости к Ладожскому озеру). Достаточно большие значения вероятности (до 10 %) наблюдаются на территории находящейся между Санкт-Петербургом и границей с Эстонией (на западе). Полученный результат сравнивался с результатом, использования метода adaptive density. Наибольшая разница наблюдалась в местах, где относительно небольшие пожары повторялись из года в год. Результаты расчёта вероятности с применением adaptive density и при f = 0, 1, и при f = 0, 8 показывали существенно заниженные значения (на несколько порядков), по сравнению с данными, полученными при помощи Voronoi centroidal estimator. 13 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Рис. 3: Площади горевших свалок Рис. 4: Карта пространственной составляющей вероятности возникновения пожара на свалке (вероятности выгорания), созданная с использованием метода Voronoi centroidal estimator 14 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Рис. 5: Распределение значений вероятности выгорания свалок При этом, общий характер пространственного распределения вероятностей в обоих случаях похож (adaptive density даёт более грубые контуры, которые сглаживаются при увеличении количества итераций). Таким образом, использование Voronoi centroidal estimator для целей расчёта вероятности выгорания территории выглядит более предпочтительно, тем более, что это единственный из трёх рассмотренных подходов, позволяющий получать промежуточные и конечный результаты в виде векторного, а не растрового слоя, что в некоторых случаях может быть предпочтительнее. Несмотря на то, что разработанный метод оценки вероятности выгорания территории с применением Voronoi centroidal estimator не нацелен на прогнозирование, он может лечь в основу метода прогнозирования возникновения пожаров на долгосрочную перспективу. Также он может использоваться для исследования динамики территорий, наиболее подверженных пожарам (требует наличия информации за несколько десятков лет). Кроме того, Voronoi centroidal estimator кажется перспективным в целях создания алгоритма определения контуров и площадей крупных пожаров (за временной промежуток не превышающий одного года). Возможной причиной неудовлетворительных результатов применения adaptive density является неоптимальный подбор параметров используемых для расчёта. Кроме того, можно было попытаться избрать иной путь борьбы с завышением вероятностей. Например, заменить точки, составляющие крупный пожар, разреженным набором точек, равномерно распределённых по территории, охваченной данным пожаром, в количестве np = Sf/Se , где Sf — площадь крупного пожара, а Se — эффективная площадь выгоревшей территории, приходящаяся на одну горячую точку в соответствии с Таб. 1. 15 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. Для всех свалок, использовавшихся в данном исследовании были вычислены значения вероятности выгорания территорий на которых они расположены. Результаты представлены на Рис. 5. Для 140 из 150 свалок вероятность того, что они загорятся от пожара, возникшего неподалёку составляет менее 1 %, для оставшихся 10 — от 1 до 3 % в год. Выводы В данном исследовании была продемонстрирована способность FIRMS фиксировать по крайней мере часть пожаров, возникающих на свалках. Получить точную информацию о том, какую долю пожаров на свалках на самом деле фиксирует FIRMS не представляется возможным, так как статистические наблюдения за возгораниями на свалках не ведутся. Разработана методика, позволяющая рассчитывать вероятностную составляющую экологических рисков возникновения пожаров на свалках. Отметим, что в терминах законодательства РФ предложенные формулы расчёта вероятности возникновения пожара на свалке являются формулами расчёта экологического риска. Вероятность возникновения пожара складывается из вероятности выгорания территории на которой расположена свалка, вычисляемой с помощью метода с применением Voronoi centroidal estimator, продемонстрировавшему наилучшие результаты, и вероятности возгорания свалки. Разработан метод расчёта поправочных коэффициентов, учитывающих площадь свалки и её состав. Из-за недостатка информации на данный момент их нельзя вычислить с достаточной степенью точности, однако, изначальное предположение о том, что чем больше свалка, тем выше вероятность её возгорания, не опровергается полученными данными. Предварительные расчёты поправочного коэффициента, зависящего от площади свалки, свидетельствуют о том, что вероятность возгорания самых маленьких свалок практически совпадает со средней вероятностью возгорания отдельно взятой свалки. Более точное вычисление данного коэффициента, наряду с коэффициентом, учитывающим состав отходов свалки, а также разработка метода оценки среднего значения ущерба, вызванного возгоранием свалок — предмет для дальнейшего изучения. Предложенную методику делает универсальной то, что она может применяться для любого региона мира и реализуется с использованием кроссплатформенного программного обеспечения с открытым исходным кодом, что продемонстрировано на примере Ленинградской области и Санкт-Петербурга. Благодарности Автор выражает признательность Максиму Дубинину за помощь в получении доступа к сведениям базы данных народного мониторинга экологических правонарушений в Ленинградской области. Список литературы [1] Акимов В.А., Лесных В.В., Радаев Н.Н. Риски в природе, техносфере, обществе и экономике. МЧС России. — М.: Деловой Экспресс, 2004. — 352 с. 16 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. [2] Венцюлис Л.С., Скорик Ю.И., Флоринская Т.М. Система обращения с отходами: принципы организации и оценочные критерии. — СПб: ПИЯФ РАН, 2007. — 207 с. [3] Лаврентьев А.А. Загрязнение атмосферы в районе полигонов по переработке отходов // Вестник ФГОУ ВПО МГАУ, 2008, 1, стр. 84–85. [4] Долгосрочная целевая программа «Охрана окружающей среды Ленинградской области на 2009-2010 годы» утв. постановлением Правительства Ленинградской области от 16 ноября 2009 г. N 343, 26 с. [5] Подольская А.С., Ершов Д.В., Малинников В.А. Исследование оценки риска возникновения лесных пожаров от молний // Известия высших учебных заведений раздел геодезия и аэрофотосъёмка 2009, 2, стр. 3-11. [6] Фильков А.А. Детерминированно-вероятностная система прогноза лесной пожарной опасности: Автореферат дисс. ...канд.физ-мат.наук. — Томск, 2005. [7] Закон «Об обращении с отходами в Ленинградской области», №7 ОЗ от 04.03.2010. [8] Федеральный закон «Об охране окружающей среды», N 7-ФЗ от 10.01.2002. [9] Рядом с деревней Смешино уже почти неделю горит свалка (2011) URL: http://sanktpeterburg.bezformata.ru/listnews/pochti-nedelyu-goritsvalka/935978/ [10] Пожар на полигоне "Красный Бор" локализован (2011) URL: http://47news.ru/articles/45732/ [11] Baddely, A. (2010) Analysing spatial points in R. CSIRO, 232 p. [12] Baddeley, A. and R. Turner. (2005) Spatstat: an R package for analyzing spatial point patterns // Journal of Statistical Software, 12(6), рр. 1–42. [13] Baddeley, A. (2007) Validation of statistical models for spatial point patterns. // SCMA IV: Statistical Challenges in Modern Astronomy IV, volume 317 of Astronomical Society of the Pacific Conference Series, San Francisco, California USA, 2007. pp. 22-38. [14] Barr, C.D. and Schoenberg, F.P. (2010) On the Voronoi estimator for the intensity of an inhomogeneous planar Poisson process // Biometrica, 97(4) pp. 977–984. [15] Barr, C.D. (2008) Applications of Voronoi tessellations in point pattern analysis. A dissertation for the degree Doctor of Philosophy in Statistics. Univercity of California, 72 р. 17 Геоконкурс GIS-LAB, 2011 Рябов Ю.В. [16] Boschetti, L., D. Roy, A.A. Hoffman (2009) MODIS Collection 5 Burned Area Product - MCD45 User’s Guide. URL: http://modisfire.umd.edu/Documents/MODIS_Burned_Area_User_Guide_2.0.pdf [17] Giglio, L., G. R. van der Werf, J. T. Randerson, G. J. Collatz, and P. Kasibhatla. (2006) Global estimation of burned area using MODIS active fire observations // Atmos. Chem. Phys., 6, 957–974 [18] Giglio, L. (2010) MODIS Collection 5 Active Fire Product User’s Guide. URL: http://maps.geog.umd.edu/firms/products/MODIS_Fire_Users_Guide_2.4.pdf [19] Ogata, Y. (2004) Space-time model for regional seismicity and detection of crustal stress changes // Journal of Geophysical Research, 109. 16 p. [20] Smith, de M.J., Goodchild, M. F. and P.A. Longley. (2006). Geospatial Analysis — Troubador Publishing. 560 p. [21] About FIRMS. URL: http://firefly.geog.umd.edu/firms/about.htm 18
