Проект Министерства науки и высшего образования Российской федерации грант № 075-15-2020-787
Personal Knowledge Base Designer использовался при выполнении работ по проекту Министерства науки и высшего образования Российской федерации грант № 075-15-2020-787 «Фундаментальные основы, методы и технологии цифрового мониторинга и прогнозирования экологической обстановки Байкальской природной территории», связанных с разработкой тематического WPS-сервиса цифрового мониторинга, анализа, моделирования и прогнозирования экологической обстановки, а также риска возникновения природных и техногенных пожаров.
В частности, решалась задача прототипирования базы знаний для определения риска (вероятности) пожара и класса пожароопасности лесных участков.
В качестве исходных данных использовалась информация о пожарах в Прибайскальской природной территории за период с 2017-2020 гг., метеоданные, а также информация об инфраструктуре (дороги, населенные пункты) и типу растительности. База данных по пожарам включала более 45 тысяч записей, описывающих информацию о термоточках, выявленных в результате анализа космоснимков.
База знаний состояла из двух сегментов, решающих следующие подзадачи:
1) формирование заключения о классе пожароопасности лесного участка (определенного района лесничества) на основе среднемесячных метеоданных, погодных условиях, информации времени года, близости рек, озер, дорог, населенных пунктов, рельефе и типу растительности;
2) формирование заключения о риске (вероятности) пожара по определенному классу пожароопасности лесного участка с использованием неполноты и нечеткости (полнота соответствия входных условий эталонным определенного класса).
Процесс разработки аналогичен примеру разработки модуля Детектор и может быть представлен в виде следующей схемы (Рис.1).
Рис.1 Схема разработки базы знаний с использованием PKBD
Далее рассмотрим этапы подробнее.
Этап 1. В качестве модели предметной области были создана концептуальная модель, описывающая факторы, влияющие на класс пожароопасности лесного участка и риск (вероятность) пожара. Фрагмент модели показан на Рис.2.
Рис.2 Фрагмент концептуальной модели
Этап 2. Были разработаны таблицы решений, описывающие структурный аспект предметной области. Эти таблицы содержат информацию о сочетаниях признаков, описывающих класс пожароопасности лесного участка и риск (вероятность) пожара. В частности, для определения класса используется следующая структура таблицы (заголовки): Road::distance_to_car_road, Road::distance_to_railway, River::distance_to_river, Lake::distance_to_lake, Meteostation::id, Meteostation::name, Meteodata::rrr, Meteodata::ff, Meteodata::u, Meteodata::t, Settlement::distance_to_settlement, Settlement::population, Region::population, Region::average_annual_temperature, Season::name, Forestry::staff_number, Square::landform, Square::forest_type, Square::underlying_surface_type, #Square::name, #Square::fire_hazard_class. Для определения риска (вероятности) пожара используется следующая структура таблицы (заголовки): Square::name, Square::fire_hazard_class, Season::name, #Fire::risk[probability]. Таблица решений с промежуточными данными представлена на Рис.3.
Рис.3 Фрагмент таблицы решений с промежуточными данными
Этап 3. Далее, с помощью PKBD был произведен импорт таблиц решений и их представление в виде логических правил. Импортированные таблицы решений были уточнены в форме RVML (Рис.4).
Рис.4 Шаблоны правил (обобщенные правила)
Этап 4. Для двух сегментов базы знаний был сгенерирован код на CLIPS, который использовался для отладки полученных баз знаний, в дальнейшем представленных в форме PHP кодов (Рис.5).
Рис.5 Фрагменты сгенерированных кодов
