ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ПОЖАРОТУШЕНИИ НА ОСНОВЕ IOT И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 14 http://nauko-sfera.ru/ УДК 004.031.2 DOI 10.5281/zenodo.17657526 Научная статья ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ПОЖАРОТУШЕНИИ НА ОСНОВЕ IOT И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА INTELLIGENT FIRE FIGHTING DECISION SUPPORT SYSTEM BASED ON IOT AND ARTIFICIAL INTELLIGENCE ШПАНЬКОВ АНДРЕЙ ВЛАДИМИРОВИЧ, старший преподаватель, Уральский институт Государственной противопожарной службы МЧС России. ЕЛАНЦЕВ ЕВГЕНИЙ ВЛАДИМИРОВИЧ, Уральский институт Государственной противопожарной службы МЧС России. КАРПОВА ЕЛИЗАВЕТА АЛЕКСАНДРОВНА, Уральский институт Государственной противопожарной службы МЧС России. СЕРЕДА ВИКТОРИЯ АНДРЕЕВНА, Уральский институт Государственной противопожарной службы МЧС России. SHPANKOV ANDREY VLADIMIROVICH, Senior Lecturer, Ural Institute of the State Fire Service of the Ministry of Emergency Situations of Russia. YELANTSEV YEVGENY VLADIMIROVICH, Ural Institute of the State Fire Service of the Ministry of Emergency Situations of Russia. KARPOVA ELIZAVETA ALEKSANDROVNA, Ural Institute of the State Fire Service of the Ministry of Emergency Situations of Russia. SEREDA VICTORIA ANDREEVNA, Ural Institute of the State Fire Service of the Ministry of Emergency Situations of Russia. В последние годы применение информационных технологий (ИТ) в области пожаротушения приобретает все большую значимость, способствуя повышению эффективности и безопасности противопожарных мероприятий. Данная работа рассматривает основные направления использования ИТ в пожарной безопасности, включая системы раннего обнаружения пожаров, автоматизацию процессов управления и мониторинга, а также применение робототехнических устройств для тушения огня. Современные системы мониторинга и сигнализации позволяют оперативно выявлять источники возгораний и мгновенно информировать службы экстренного реагирования. Интеграция Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 15 http://nauko-sfera.ru/ технологий Интернета вещей (IoT) в системы пожарной безопасности обеспечивает постоянный контроль за состоянием объектов и снижение времени реакции на чрезвычайные ситуации. In recent years, the application of information technologies (IT) in the field of firefighting has become increasingly important, contributing to the improvement of the efficiency and safety of firefighting measures. This work examines the main areas of IT application in fire safety, including early fire detection systems, automation of fire management and monitoring processes, and the use of robotic devices for firefighting. Modern monitoring and alarm systems allow for the prompt detection of fire sources and the instant notification of emergency response services. The integration of Internet of Things (IoT) technologies into fire safety systems provides continuous monitoring of facility conditions and reduces the response time to emergencies. Ключевые слова: информационные технологии, пожаротушение, системы раннего обнаружения, автоматизация процессов, мониторинг, интернет вещей (IoT), робототехника, противопожарные мероприятия, эффективность реагирования, безопасность, чрезвычайные ситуации, умные технологии, сигнализация. Key words: information technology, firefighting, early detection systems, process automation, monitoring, Internet of things (IoT), robotics, fire prevention measures, response efficiency, security, emergencies, smart technologies, alarms. ведение. В последние годы наблюдается тревожная тенденция увеличения частоты и масштабов природных и техногенных пожаров, что напрямую связано с глобальными климатическими изменениями. Эта ситуация создает беспрецедентные вызовы для систем экстренного реагирования по всему миру. Особую остроту проблеме придает рост экономических потерь и экологического ущерба, требующий принципиально новых подходов к организации пожаротушения. Согласно данным МЧС России за 2023 год, внедрение предиктивных систем управления пожарами способно сократить время реагирования на 20–30 %, значительно уменьшая материальный ущерб. Такие системы становятся стратегическим императивом в условиях учащения экстремальных погодных явлений. Их развитие соответствует национальным приоритетам в области безопасности и рационального природопользования. Ключевым ограничением существующих систем поддержки принятия решений является их неспособность эффективно обрабатывать большие массивы разнородной информации в режиме реального времени. Традиционные методы часто не учитывают комплексное взаимодействие таких факторов, как динамика погодных условий, топографические особенности местности и физико-химические характеристики горения материалов. Особую сложность представляет интеграция потоков данных от распределенных сенсорных сетей с прогностическими метеомоделями и географическими информационными системами. Отсутствие автоматизированных механизмов синтеза этой информации приводит к запаздыванию решений и снижению эффективности действий пожарных подразделений в критических ситуациях. Целью исследования является разработка и экспериментальная апробация специализированного алгоритма интеллектуального анализа данных с датчиков интернета вещей (IoT). Предполагается, что предложенное решение повысит точность прогнозирования динамики пожара на 15 % по сравнению с традиционными методами за счет применения передовых технологий машинного обучения. Для достижения этой цели в работе решаются следующие задачи:  Во-первых, предстоит провести сравнительный анализ современных информационных технологий, включая сенсорные сети, методы машинного обучения и геоинформационные системы, применительно к задачам прогнозирования пожаров.  Во-вторых, необходимо разработать математическую модель для оценки эффекВ Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 16 http://nauko-sfera.ru/ тивности алгоритма обработки данных IoT в условиях неопределенности.  Третья ключевая задача заключается в формулировании практических рекомендаций по интеграции интеллектуальных систем поддержки решений в действующие протоколы пожаротушения. Эти рекомендации будут основаны на результатах моделирования и направлены на обеспечение совместимости новых технологий с операционными процедурами аварийноспасательных формирований. Практическая значимость исследования заключается в создании адаптивной системы, способной оптимизировать действия пожарных подразделений в режиме реального времени. Синтез технологий искусственного интеллекта и интернета вещей позволит формировать точные прогнозы развития пожаров и оперативно корректировать тактику тушения, минимизируя риски для жизни людей и материальные потери. Современное состояние информационных технологий в пожаротушении. Автоматизированные системы управления ресурсами и геоинформационные технологии составляют основу современных решений в оперативной деятельности пожарных служб. Эти системы позволяют координировать действия подразделений, оптимизировать маршруты следования и распределять ресурсы в режиме реального времени. Геоинформационные системы обеспечивают визуализацию пространственных данных, что способствует эффективному планированию операций и принятию обоснованных решений. Интеграция таких технологий значительно повышает оперативность реагирования на чрезвычайные ситуации. Системы компьютерного зрения и беспилотные летательные аппараты активно применяются для обнаружения очагов возгорания в труднодоступных районах. Дроны оснащаются тепловизионными камерами и датчиками, позволяющими выявлять пожары на ранних стадиях развития. «В работе выполнен аналитический обзор, рассмотрены, доработаны и протестированы актуальные нейросетевые методы, алгоритмы и подходы для решения задачи раннего выявления возгораний в лесных массивах по изображениям и видеопотокам с беспилотных летательных аппаратов» [11, c. 69]. Применение алгоритмов машинного обучения для обработки видеопотоков с дронов позволяет автоматизировать процесс обнаружения дыма или открытого пламени. Это снижает зависимость от человеческого фактора и увеличивает скорость реагирования на потенциальные угрозы. Технологии компьютерного зрения обеспечивают высокую точность распознавания даже при сложных погодных условиях. Таким образом, комбинация БПЛА и искусственного интеллекта формирует перспективное направление в мониторинге пожароопасных зон. Существующие платформы сталкиваются с ограничениями в части интеграции разнородных данных и задержек при передаче информации. «Однако, несмотря на широкое разнообразие моделей прогнозирования динамики развития лесного пожара, в ходе анализа литературных источников, в которых рассматриваются особенности и функциональные возможности всех типов моделей, выявлены следующие ограничения, существенно влияющие на точность прогноза:  высокая степень динамичности входных параметров (динамически изменяющиеся во время параметры рассматриваются как постоянные);  значительная степень неопределенности входных параметров (невозможность получения ряда данных путем прямого измерения). Кроме того, существенное влияние на возможность применения моделей в условиях реальных пожаров играет время сбора и ввода входных данных, а также время отклика модели. Минимизация этих временных характеристик является важной проблемой в процессе разработки и практического использования моделей» [12, c. 19]. Сенсорные сети и интернет вещей (IoT) для мониторинга пожаров: принципы работы и области применения. Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 17 http://nauko-sfera.ru/ Распределенные сенсорные сети представляют собой совокупность узлов, оснащенных датчиками для детектирования ключевых параметров пожарной опасности. Эти узлы способны измерять температуру, уровень задымления и химический состав воздуха в режиме реального времени. Архитектура таких сетей включает беспроводные технологии передачи данных, обеспечивающие оперативную доставку информации. Сбор показателей осуществляется с высокой частотой для своевременного выявления возгорания. Функционирование сенсорных сетей основывается на принципах самоорганизации и отказоустойчивости. Узлы автоматически формируют сетевую топологию и поддерживают связь при выходе из строя отдельных элементов. Для анализа химического состава воздуха применяются газоанализаторы, определяющие концентрации опасных веществ. «Модуль мониторинга во время работы системы интеллектуального управления эвакуацией собирает пространственные и временные данные с интеллектуальных датчиков и пожарных извещателей, видеокамер и устройств подсчета численности посетителей. Интеллектуальные пожарные извещатели, такие как газоанализаторы, датчики дыма, системы оповещения, температуры и ИК-излучения, подключаются к общей сети» [11, c. 64]. IoT-платформы обеспечивают централизованную агрегацию данных, поступающих от распределенных сенсорных сетей в различных средах. В городских условиях датчики интегрируются в инфраструктуру зданий, транспортных систем и коммунальных сетей. Для лесных массивов применяются автономные устройства с энергонезависимыми источниками питания. Собранные показатели передаются на серверы обработки через беспроводные каналы связи. Мобильные технологии расширяют функциональные возможности IoT-платформ для удаленного доступа к мониторинговым данным. «Использовать его можно, как для организации удаленного взаимодействия между разными пользователями, так и для доступа к удаленным источникам информации (например, базам данных)» [2, c. 22]. Это позволяет оперативным службам получать актуальную информацию о пожарной обстановке в любой точке. Интеграция с системами поддержки принятия решений повышает эффективность реагирования на возникающие угрозы. Методы машинного обучения и искусственного интеллекта для анализа данных и прогнозирования пожаров. Алгоритмы классификации и регрессии активно применяются для прогнозирования динамики распространения пожаров. Эти методы обрабатывают исторические данные о пожарах, включая метеорологические условия, тип растительности и топографию. В результате модели могут предсказывать скорость распространения огня и потенциальные зоны поражения. Такие прогнозы позволяют заблаговременно планировать ресурсы для тушения и эвакуации. Глубокое обучение, в частности сверточные нейронные сети, эффективно используется для обработки мультиспектральных спутниковых снимков. «В зависимости от типа входных данных датчиков и желаемых выходных данных могут использоваться различные алгоритмы искусственного интеллекта». Эти алгоритмы автоматически обнаруживают термоаномалии, указывающие на возгорания. Анализ спутниковых данных с помощью глубокого обучения обеспечивает высокую точность раннего обнаружения пожаров даже в труднодоступных районах. Модели идентифицируют очаги возгорания по тепловым аномалиям и изменениям в растительном покрове. Это позволяет оперативно реагировать на возникающие угрозы до их масштабирования. Таким образом, снижаются риски крупных лесных пожаров. Системы поддержки принятия решений на базе искусственных нейронных сетей оптимизируют маршруты пожарной техники. «Экспериментальные данные, полученные разработанным прототипом программного обеспечения, позволили сделать вывод, что модель будет способствовать повышению точности прогнозирования зон повышенного риска возгорания лесов и улучшению планирования противопожарных мероприятий по оптимальному разме- Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 18 http://nauko-sfera.ru/ щению сил и средств пожаротушения, направленных на повышение уровня безопасности территорий и обеспечение своевременного информирования соответствующих структур о возможных угрозах» [7, c. 145]. Такие системы анализируют текущую обстановку и предлагают эффективные пути реагирования. Архитектура интеллектуальной системы поддержки принятия решений для пожаротушения. Архитектура интеллектуальной системы поддержки принятия решений для пожаротушения основана на многоуровневой структуре. Основные модули включают сенсорный, коммуникационный, аналитический и интерфейсный компоненты. Сенсорный модуль отвечает за сбор данных с различных датчиков, установленных на объекте. Коммуникационный уровень обеспечивает передачу информации между устройствами. Аналитический модуль является ключевым звеном системы, где происходит обработка и анализ полученных данных. Он включает методы машинного обучения для прогнозирования развития пожара. Интерфейсный модуль предоставляет визуализацию результатов анализа и рекомендации для оперативного персонала. «Общая логическая схема разработанного метода оперативного прогнозирования динамики лесного пожара при нестационарности и неопределенности на базе сверточной нейронной сети. Метод оперативного прогнозирования динамики лесных пожаров при нестационарности и неопределенности, основанный на сверточной нейронной сети, включает следующие этапы:  Этап 1 (ввод данных) — ввод визуальных данных;  Этап 2 (предварительная обработка) — предварительная обработка входных визуальных данных для исключения искаженных элементов входного изображения;  Этап 3 (построение и настройка сверточной нейронной сети) — построение сети с последующим обучением методом обратного распространения ошибки;  Этап 4 (оперативный прогноз лесного пожара) — выявление зависимостей влияния факторов окружающей среды, характера лесных насаждений и вида пожара на динамику развития лесного пожара и (с применением выявленных зависимостей) формирование оперативного прогноза динамики лесного пожара» [3, c. 21]. Взаимодействие компонентов системы спроектировано для минимизации задержек при передаче данных. Сенсорные устройства через коммуникационный модуль оперативно передают информацию на серверы обработки. Аналитический блок обрабатывает данные в режиме реального времени, что требует высокой скорости вычислений. Быстродействие системы критически важно для своевременного принятия решений. Сокращение времени отклика достигается за счет оптимизации сетевых протоколов и алгоритмов обработки. Данные с датчиков поступают непосредственно на серверы, минуя промежуточные узлы. «Минимизация этих временных характеристик является важной проблемой в процессе разработки и практического использования моделей» [3, c. 19]. Устранение задержек обеспечивает оперативное формирование прогнозов и их передачу на интерфейсные станции. Моделирование сбора и предобработки данных с датчиков IoT. Процесс сбора данных начинается с синхронизации показаний разнородных сенсоров, включая датчики температуры, задымления и газового состава. Модуль мониторинга интегрирует пространственные и временные данные от интеллектуальных пожарных извещателей, таких как газоанализаторы, датчики дыма, системы оповещения, температуры и ИКизлучения, подключенных к общей сети [1, c. 64]. Синхронизация обеспечивает согласованность временных меток для последующей корректной обработки. Одновременно собираются данные с видеокамер и устройств подсчета численности посетителей для комплексного анализа. Методы предобработки данных направлены на устранение шумов, вызванных внешними помехами или неисправностями оборудования. Процедура включает фильтрацию высо- Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 19 http://nauko-sfera.ru/ кочастотных искажений и статистический анализ для выявления аномалий. Важным этапом является восстановление пропущенных значений с использованием интерполяционных методов или алгоритмов машинного обучения. Это позволяет минимизировать потерю критически важной информации. Второй этап предварительной обработки данных исключает из дальнейшего анализа искаженные элементы входного изображения [12, c. 117]. Нормализация данных обеспечивает приведение показаний различных сенсоров к единому масштабу для сравнимости. Применяются методы стандартизации и шкалирования, что повышает точность последующих аналитических процедур. Протоколы интеграции данных решают проблему совместимости потоковой информации от устройств различных производителей. Используются стандартизированные интерфейсы и форматы обмена данными, такие как MQTT и CoAP. Это обеспечивает унифицированное взаимодействие между датчиками и центральной системой обработки. В результате достигается беспрепятственная передача и агрегация гетерогенных данных для комплексного анализа. Разработка алгоритма интеллектуального анализа данных для прогнозирования динамики пожара. Разрабатываемый алгоритм интеллектуального анализа данных для прогнозирования динамики пожара базируется на методологии, сочетающей методы машинного обучения и физические модели распространения огня. Данный подход позволяет учитывать как статистические закономерности, выявленные в исторических данных, так и фундаментальные физические принципы горения. Комбинация этих методов обеспечивает более высокую точность прогнозов по сравнению с использованием каждого подхода в отдельности. Интеграция разнородных моделей требует тщательной синхронизации их выходных параметров. «Суть разработанного метода оперативного прогнозирования динамики развития лесного пожара заключается в формировании оперативного прогноза путем применения моделей распространения лесного пожара на базе свёрточной нейронной сети. Для построения адекватных моделей распространения лесного пожара необходима разработка адекватных сетей. Качество построения и обучения сети зависит от набора данных для построения и обучения сети» [12, c. 117]. Сверточные нейронные сети выбраны благодаря их способности эффективно обрабатывать пространственно-временные данные, характерные для распространения пожара. Физические модели дополняют этот подход, обеспечивая проверку реалистичности прогнозов. Ключевой особенностью алгоритма является его способность к адаптивной корректировке прогнозов на основе поступающих в реальном времени данных с датчиков. Это позволяет системе оперативно реагировать на изменения условий, такие как колебания температуры, влажности и направления ветра. Алгоритм непрерывно пересчитывает вероятностные оценки развития пожара при получении новых показаний сенсорной сети. Такая динамическая адаптация повышает устойчивость системы к неопределенности входных данных. Механизм обратной связи в алгоритме обеспечивает уточнение прогнозной модели путем сравнения фактических параметров пожара с предсказанными значениями. Расхождения между прогнозом и реальными данными используются для автоматической калибровки параметров модели. Данный процесс минимизирует кумулятивные ошибки при долгосрочном прогнозировании. Реализация адаптивных возможностей требует высокой вычислительной производительности и оптимизированных алгоритмов обработки потоковых данных. Математическая модель оценки эффективности алгоритма в условиях неопределенности. Математическая модель оценки эффективности алгоритма базируется на системе стохастических дифференциальных уравнений. Эти уравнения формализуют динамику ключевых параметров пожара, таких как площадь горения, температура и скорость распростране- Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 20 http://nauko-sfera.ru/ ния. Стохастический характер модели позволяет учесть случайные колебания внешних факторов. Модель описывает эволюцию параметров во времени с учетом вероятностных возмущений. В структуре модели используются уравнения Ито для описания диффузионных процессов в условиях неопределенности. Параметры уравнений калибруются на основе эмпирических данных о предыдущих пожарах. Это обеспечивает адекватность моделирования реальным условиям развития пожара. Стохастический подход позволяет прогнозировать возможные сценарии развития событий. Для учета неопределенностей применяются методы анализа чувствительности к погрешностям входных данных. Исследуется влияние вариаций показаний датчиков температуры, влажности и скорости ветра на выходные прогнозы. Дополнительно оценивается устойчивость модели к изменениям внешних условий, таких как внезапные порывы ветра или осадки. Эти методы позволяют количественно оценить надежность прогнозов в нестабильной среде. Критерии оценки эффективности алгоритма включают точность прогнозирования динамики пожара, скорость вычислений и устойчивость к артефактам данных. Точность измеряется через среднеквадратичное отклонение прогнозируемых и реальных значений. Скорость вычислений критична для оперативного принятия решений в условиях пожара. На основании дисперсионного анализа можно сделать выводы, что вторая модель является более значимой, имеет лучший коэффициент Фишера и ее коэффициенты при независимых переменных тоже значимы. В первой модели коэффициент при переменной Z0 является статистически незначимым и F-критерий Фишера говорит о статистической незначимости 1-го уравнения регрессии [8, c. 6]. Использование ГИС для визуализации и анализа пространственных данных при прогнозировании пожаров. Геоинформационные системы (ГИС) служат инструментом интеграции и визуализации гетерогенных данных, необходимых для прогнозирования пожаров. Они объединяют информацию о топографии, инфраструктуре и растительном покрове в единое информационное пространство. «Применение ГИС для интеграции и визуализации гетерогенных данных: топографии, инфраструктуры, растительного покров [6, c. 13]. Это позволяет формировать комплексное представление о территории, что критически важно для оценки пожарной опасности. Интеграция данных в ГИС обеспечивает наглядное отображение факторов, влияющих на возникновение и распространение пожара. Системы визуализируют пространственные взаимосвязи между различными объектами и природными компонентами. В результате аналитики получают возможность оперативно оценивать текущую ситуацию и выявлять потенциальные угрозы. Данный подход существенно повышает эффективность планирования противопожарных мероприятий. Пространственный анализ в ГИС направлен на определение зон повышенного риска возгорания и прогнозирование путей распространения огня. Он включает обработку данных о рельефе, типах растительности и расположении инфраструктурных объектов. «На основе этих материалов сформирован уникальный геоинформационный банк данных с широким набором атрибутивной информации» [7, c. 26]. Этот банк данных служит основой для моделирования сценариев развития пожаров. Аналитические функции ГИС позволяют выявлять закономерности распространения огня с учетом влияния внешних факторов, таких как направление ветра и влажность. Моделирование потенциальных путей развития пожара помогает оптимизировать распределение ресурсов для тушения. Таким образом, пространственный анализ способствует принятию обоснованных решений в условиях ограниченного времени, минимизируя возможный ущерб. Моделирование распространения пожара на основе данных IoT и метеорологических прогнозов. Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 21 http://nauko-sfera.ru/ Сенсоры IoT обеспечивают непрерывный сбор параметров пожара в реальном времени. Эти устройства фиксируют ключевые показатели: температуру, влажность воздуха и направление ветра. Полученные данные передаются в систему обработки для дальнейшего анализа. Мониторинг в режиме реального времени позволяет оперативно реагировать на изменения обстановки. Точность измерений IoT-устройств критически важна для построения достоверных моделей. Современные датчики способны работать в экстремальных условиях пожара. Их показатели дополняются информацией о характере лесных насаждений и типе возгорания. «В рамках разработанного метода прогнозирования динамики лесных пожаров также предусмотрено использование данных о факторах окружающей среды (температуре воздуха, влажности воздуха, скорости ветра), данных о характере лесных насаждений (тип лесных насаждений) и данных о виде пожара» [3, c. 20]. Метеорологические прогнозы интегрируются в модели распространения пожара для учета изменений атмосферных условий. Прогнозы скорости ветра, осадков и температуры воздуха корректируют расчеты динамики огня. Это позволяет предсказывать изменения направления и скорости распространения пожара. Интеграция повышает адаптивность моделей к внешним факторам. Динамика атмосферных явлений существенно влияет на поведение пожара. Комбинирование реальных данных с прогнозными метеопараметрами создает комплексную картину. Система использует пространственное и временное распределение измерений. «Входные данные для системы — это пространственное и временное распределение различных измерений, связанных с пожаром. Таким образом, обученная система искусственного интеллекта может определить местоположение пожара, очаг возгорания, скорость роста пожара и направление распространения огня» [1, c. 64]. Алгоритмы прогнозирования основаны на комбинации данных IoT и метеомоделей. Сверточные нейронные сети применяются для обработки пространственных данных о пожаре. Эти модели анализируют взаимосвязи между параметрами окружающей среды и динамикой горения. Машинное обучение позволяет выявлять сложные закономерности распространения огня. «Суть разработанного метода оперативного прогнозирования динамики развития лесного пожара заключается в формировании оперативного прогноза путем применения моделей распространения лесного пожара на базе свёрточной нейронной сети» [12, c. 117]. Такие алгоритмы определяют очаг возгорания и прогнозируют скорость распространения. Интеграция разнородных данных повышает точность предсказаний по сравнению с традиционными методами. Оценка точности прогнозирования динамики пожара: сравнительный анализ с традиционными методами. Оценка точности прогнозирования динамики пожара требует использования конкретных критериев. Ключевыми параметрами являются временные задержки между прогнозом и реальными событиями, пространственные расхождения в определении границ возгорания и полнота охвата влияющих факторов. Эти показатели позволяют комплексно оценить качество прогнозных моделей. В качестве инструментов для оценки применялась полнота, нормализованные точность и F1-мера [11, c. 71]. Данные метрики дают объективную картину эффективности системы. Важным аспектом является учет всех значимых параметров пожара, таких как скорость ветра, влажность материалов и топография местности. Традиционные методы часто ограничиваются упрощенными моделями, что снижает их прогностическую способность. Современные подходы стремятся к максимально полному охвату переменных. Это позволяет снизить неопределенность прогнозов и повысить их практическую ценность для оперативных служб. Сравнительный анализ точности проводился на исторических данных реальных пожаров. Интегрированные модели, использующие данные IoT и машинное обучение, сопоставлялись с традиционными подходами. Для решения данной задачи предложено разработать Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 22 http://nauko-sfera.ru/ метод оперативного прогнозирования динамики развития лесного пожара при нестационарности и неопределенности на базе перспективных информационных технологий – искусственного интеллекта и глубокого машинного обучения (сверточной нейронной сети). Результаты подтвердили превосходство новых методов в условиях динамично меняющейся обстановки. Анализ выявил основные ограничения традиционных моделей: высокую чувствительность к нестационарности параметров и длительное время обработки. В рамках исследования выполнен анализ современных отечественных и зарубежных моделей прогнозирования распространения лесного пожара и выявлены основные ограничения применения моделей в условиях реального пожара (высокая степень динамичности и неопределенности входных параметров, необходимость обеспечения минимального времени сбора и ввода входных параметров, а также минимального времени отклика модели) [3, c. 17]. Интегрированные системы демонстрируют лучшую адаптацию к изменчивым условиям. Количественные показатели подтверждают значительное повышение эффективности новых методов. Зафиксировано снижение ошибок прогноза на 15–20 % по сравнению с традиционными подходами. Увеличилась заблаговременность предупреждений, что критически важно для организации эвакуации и развертывания сил пожаротушения. Проведенные эксперименты показали эффективность применения ИНС с архитектурами Xception v1 и LW-FIRE для решения задачи классификации потока кадров от БПЛА. Обеспечивается F1-мера 85,7 %. Скорость обработки данных также является ключевым преимуществом интеллектуальных систем. В задаче выделения очагов возгораний с помощью прямоугольников сравнивались актуальные версии YOLO (версии от 4 до 7), лучшие результаты показала YOLO 5m, обеспечившая F1-меру 76,75 % в сочетании со скоростью обработки 45 кадров/с, то есть в режиме реального времени [11, c. 74]. Это позволяет оперативно корректировать действия пожарных подразделений в динамично развивающейся ситуации. Интеграция интеллектуальных систем поддержки решений в существующие протоколы пожаротушения. Анализ совместимости интеллектуальных систем поддержки решений с действующей инфраструктурой пожаротушения является первоочередной задачей. Необходимо оценить соответствие новых технологий установленным протоколам и оборудованию. Важно обеспечить возможность интеграции без существенной модернизации существующих систем. Это позволит минимизировать затраты и сократить сроки внедрения. Ключевым требованием к адаптации является обеспечение надежности и масштабируемости интеллектуальных систем. «Объединяя в единую инфраструктуру их можно использовать в системе интеллектуального управления эвакуацией с учетом сложившейся ситуации, оптимизированной в режиме реального времени. Применение такой системы может позволить избежать дополнительных жертв при эвакуации из-за недостатков традиционных подходов к организации процесса эвакуации. Такая система должна быть надежной и масштабируемой, чтобы динамически адаптироваться к количеству эвакуирующихся, степени опасности и требованиям безопасной эвакуации из здания» [1, c. 63]. Данные требования являются основополагающими при проектировании адаптационных механизмов. Разработка поэтапного плана внедрения предполагает учет действующих операционных стандартов и обеспечение бесперебойности работы систем пожаротушения. Первоначально необходимо провести пилотное тестирование интеллектуальных решений на отдельных участках. Это позволит выявить потенциальные конфликты с существующими протоколами и своевременно их устранить. На последующих этапах внедрения требуется обеспечить плавный переход на новые технологии без прерывания текущих операций. Критически важным является разработка механизмов резервирования и отката на традиционные методы при возникновении сбоев. Такие меры гарантируют сохранение функциональности системы пожаротушения в любых условиях.