Кызыл, Республика Тыва, Россия
Красноярский край, Россия
УДК 614.841 Характер пожара, причины, процесс
В статье представлен аналитический обзор современных математических моделей прогнозирования распространения ландшафтных низовых пожаров в степных зонах, где такие возгорания характеризуются высокой динамикой и разрушительной силой из-за особенностей травянистого покрова открытых ландшафтов. Рассмотрены основные классы моделей: полуэмпирические, основанные на комбинации физических принципов и эмпирических данных; симуляционные, реализующие пространственно-временную симуляцию фронта огня; а также подходы на основе машинного обучения, включая алгоритмы регрессии и сверточные нейронные сети для анализа больших массивов данных (метеопараметры, спутниковые снимки, исторические события). Проанализированы методологические основы, преимущества, ограничения и области применения моделей с учетом специфики степных (травяных) пожаров — высокой скорости распространения, сильной зависимости от ветра, степени просушки травы и топографии открытых ландшафтов (уклон, экспозиция склонов). Особое внимание уделено интеграции глобальных цифровых моделей рельефа SRTM для точного учета уклона и экспозиции склонов, что корректирует скорость распространения огня в моделях, а также данных беспилотных авиационных систем для оперативной оценки вегетационных индексов (NDVI, биомасса, влажность топлива) с высоким разрешением, что повышает точность карт топлива и прогнозирования. Выявлены тенденции роста пирологической активности в степных регионах России под влиянием климатических изменений. Описаны перспективы комбинированного использования моделей для оперативного прогнозирования и управления тушением в условиях МЧС России, включая гибридные подходы с интеграцией SRTM и БАС для минимизации рисков.
ландшафтный низовой пожар, степной пожар, моделирование распространения, прогнозирование, беспилотные авиационные системы, спутниковый мониторинг, пожарная опасность
Ландшафтные низовые пожары в степных зонах представляют собой одну из наиболее динамичных и разрушительных форм природных возгораний, характеризующихся распространением пламени по травянистому покрову открытых ландшафтов без значительного вовлечения древесной растительности (Рис.1) [1,2].
Рис.1. Ландшафтный низовой пожар
В отличие от лесных низовых пожаров, степные возгорания развиваются с существенно большей скоростью (до 20–30 км/ч при сильном ветре) [3,4], что обусловлено высокой горючестью сухой травы, открытым рельефом и минимальным влиянием напочвенной подстилки. Такие пожары особенно актуальны для степных и лесостепных зон Российской Федерации, включая Сибирь, Забайкалье и Поволжье, где они часто возникают вследствие антропогенной нагрузки (несанкционированные палы травы) и быстро охватывают значительные площади [5,6].
Актуальность проблемы усиливается глобальными климатическими изменениями, приводящими к удлинению пожароопасного сезона, росту температуры и снижению влажности топлива. Согласно данным мониторинга (ИСДМ-Рослесхоз, Global Forest Watch) [7,8], в последние годы наблюдается устойчивый рост пирологической активности в степных регионах, что вызывает значительный экологический и экономический ущерб, включая деградацию почв, потерю биоразнообразия и угрозу населенным пунктам.
Ключевым инструментом для оперативного управления силами и средствами тушения, оценки рисков и планирования профилактических мероприятий является математическое моделирование распространения пожаров [9,10]. Современные модели позволяют количественно прогнозировать скорость распространения, направление фронта и интенсивность горения с учетом метеорологических условий (Рис.2), характеристик топлива и топографии.
Рис.2. Графики и диаграммы CSIRO Grassland Fire Spread Model, иллюстрирующие зависимость скорости распространения пожара от ветра и степени сухости травы
Для степных пожаров наиболее релевантны специализированные модели, такие как CSIRO Grassland Fire Spread Model, адаптации Rothermel и симуляционные системы (FARSITE, FlamMap) [3,12,13]. Перспективным направлением является интеграция данных дистанционного зондирования: глобальных цифровых моделей рельефа SRTM для учета топографических факторов (Рис.3) [14] и беспилотных авиационных систем (БАС/БПЛА) для высокоточного определения вегетационных индексов (NDVI, биомасса, влажность) (Рис.4) [15].
Рис.3. Примеры цифровых моделей рельефа SRTM в контексте моделирования топографии пожаров [14]
Рис.4. NDVI-карты с БПЛА для оценки пожарной опасности в травяных экосистемах [15]
Настоящий аналитический обзор посвящен систематизации современных моделей прогнозирования распространения ландшафтных низовых пожаров в степных зонах, анализу их методологических основ и перспектив интеграции с данными SRTM и БАС для повышения точности в условиях России [9,16].
Современные математические модели прогнозирования распространения ландшафтных низовых пожаров в степных зонах можно разделить на три основных класса: полуэмпирические, симуляционные и модели на основе машинного обучения [17]. Каждый класс имеет свои методологические основы, адаптированные к специфике травяных экосистем — высокой горючести топлива, сильной зависимости от ветра и относительно однородной топографии открытых ландшафтов.
1. Полуэмпирические модели – основаны на физических принципах сохранения энергии и эмпирических зависимостях, полученных из полевых и лабораторных экспериментов [12,3,18].
- CSIRO Grassland Fire Spread Model (Cheney et al., 1998) — наиболее специализированная модель для травяных пожаров. Она учитывает три основных типа пастбищ, скорость ветра на высоте 10 м, влажность мертвого топлива и степень просушки травы. Скорость распространения (ROS) описывается линейной функцией при слабом ветре (<5 км/ч) и степенной — при сильном [3].
Преимущества данной модели заключается в высокой точности для открытых травяных ландшафтов, простота реализации. Ограничения: региональная калибровка (изначально для Австралии), необходимость точных данных о степени просушки покрова.
- Адаптации модели Rothermel (1972) (Рис.5) для травяных типов топлива (GR1–GR9 в системе BehavePlus). Хотя модель Rothermel изначально предназначена для различных видов дикорастущих топлив, включая лесные и кустарниковые, она эффективно адаптируется к травяным экосистемам путем корректировки параметров нагрузки топлива, глубины слоя, отношения поверхности к объему, а также учета динамического переноса нагрузки между живым и мертвым топливом в зависимости от влажности [12,18,19].
Достоинства: универсальность, возможность интеграции с другими системами прогнозирования. Недостатки: несколько сниженная точность при экстремальных ветровых нагрузках по сравнению со специализированной CSIRO-моделью.
Рис.5. Эллиптическая форма распространения grassland-моделей Rothermel
2. Симуляционные модели – это модели которые реализуют пространственно-временную симуляцию распространения фронта пожара на основе полуэмпирических уравнений с применением волнового принципа Гюйгенса [13].
- FARSITE (Fire Area Simulator, Finney, 1998) и FlamMap: двумерные симуляторы, обеспечивающие моделирование на ландшафтном масштабе с учетом топографии, метеорологических условий, переноса искр (spotting) и вариаций топлива. Для степных пожаров применяются grassland-модули, интегрирующие уравнения CSIRO или адаптированного Rothermel.
Рис.6. Пример симуляций распространения травяных пожаров в системах FARSITE и FlamMap
Достоинства: возможность визуализации пространственной динамики, учет гетерогенности ландшафта. Недостатки: значительные вычислительные затраты, высокая чувствительность к качеству входных карт (цифровые модели рельефа, карты топлива).
3. Модели на основе машинного обучения (2020–2025 гг.) – это направление активно развивается и включает алгоритмы регрессии (Random Forest, Support Vector Regression), сверточные нейронные сети (CNN) и гибридные ансамбли для предсказания ROS и карт пожарной опасности на основе больших массивов данных (метеопараметры, спутниковые снимки, исторические события пожаров) [17,20-22]. На Рис.7 представлены примеры карт прогнозирования пожарной опасности и распространения с использованием методов машинного обучения.
Достоинства: превосходная точность в неоднородных условиях, возможность оперативного прогнозирования в реальном времени. Недостатки: требование больших объемов, обучающих данных, ограниченная интерпретируемость результатов («черный ящик»).
Рис.7. Примеры карт прогнозирования пожарной опасности и распространения с использованием методов машинного обучения
Точность прогнозирования распространения ландшафтных низовых пожаров в степных зонах в значительной степени определяется качеством и разрешением входных данных о топографии, характеристиках топлива и метеорологических условиях. Традиционные источники (наземные измерения, метеостанции) часто недостаточны для оперативного мониторинга обширных открытых территорий. В этой связи особую роль играют данные дистанционного зондирования Земли, включая глобальные цифровые модели рельефа SRTM и материалы, получаемые с беспилотных авиационных систем (БАС/БПЛА).
Цифровая модель рельефа SRTM (Shuttle Radar Topography Mission, NASA, 2000 с последующими обновлениями) представляет собой глобальный растр высот с разрешением около 30 м (SRTM 1 Arc-Second Global). Она служит основным источником данных о топографических факторах — уклоне склона (Рис.8), экспозиции склонов и абсолютной высоте, которые существенно влияют на скорость и направление распространения огня [14].
Рис.8. Примеры цифровых моделей рельефа SRTM и производных карт уклона для регионов с степными ландшафтами
В полуэмпирических моделях (Rothermel, CSIRO) уклон вводится как корректирующий множитель к базовой скорости распространения: на восходящих склонах ROS возрастает экспоненциально, на нисходящих — снижается. Экспозиция склонов влияет косвенно через микроклиматические эффекты (более сухое топливо на южных склонах). В симуляционных моделях FARSITE и FlamMap SRTM DEM является обязательным входным слоем для расчета локальных векторов распространения по принципу Гюйгенса. Достоинства SRTM: глобальное покрытие, бесплатная доступность, достаточная точность для ландшафтного масштаба. Недостатки: фиксированное разрешение (недостаточно для микрорельефа), возможные артефакты в плоских степных районах.
Данные беспилотных авиационных систем (БАС/БПЛА) обеспечивают локальный мониторинг с высоким пространственным разрешением (Рис.9) (до сантиметров) и оперативностью. Оснащение мультиспектральными и гиперспектральными камерами позволяет рассчитывать вегетационные индексы, критически важные для оценки характеристик травяного топлива [15].
Рис.9. NDVI-карты травяных экосистем, полученные с БПЛА
Ключевой индекс — нормализованный разностный вегетационный индекс (Normalized Difference Vegetation Index, NDVI), коррелирующий со степенью просушки травы (curing degree), биомассой и влажностью топлива. Дополнительно используются индексы NDRE (Normalized Difference Red Edge) и вариации для разделения живой и мертвой биомассы. Тепловизионные камеры БПЛА позволяют обнаруживать скрытые очаги и оценивать температуру фронта.
В России БАС/БПЛА активно применяются подразделениями МЧС и Авиалесоохраны для разведки и мониторинга в степных регионах (Забайкалье, Бурятия, Хакасия) [23]. Интеграция данных в модели осуществляется через обновление карт топлива в FlamMap или как входные данные в алгоритмы машинного обучения. Для оперативного моделирования ЧС в реальном времени, включая степные пожары, перспективно использование программно-аппаратных платформ, таких как интерактивный штабной стол, интегрирующий карты, геоинформационные системы и данные БАС для поддержки работы оперативного штаба ликвидации ЧС [26]. Эти платформы позволяют автоматизировать сбор данных SRTM/NDVI и прогнозирование в условиях МЧС России, повышая скорость принятия решений.
Достоинства: высокое разрешение, оперативность, возможность работы в реальном времени. Недостатки: ограниченная площадь покрытия за один вылет, зависимость от погодных условий, регуляторные ограничения.
Комбинированное использование SRTM (глобальный рельеф) и БАС (локальные характеристики топлива) существенно повышает точность прогнозирования в степных зонах, где топография относительно простая, а вариабельность топлива — определяющий фактор.
Сравнительный анализ представленных моделей (Таблица) позволяет выявить их сильные и слабые стороны с учетом специфики прогнозирования распространения ландшафтных низовых пожаров в степных зонах [1-4, 7-10, 13-14, 25]. Основные критерии сравнения включают методологические основы, точность воспроизведения динамики травяных пожаров, требования к входным данным, вычислительную сложность и возможности интеграции с современными источниками информации (SRTM, БАС).
Таблица. Сравнительный анализ моделей прогнозирования распространения степных (травяных) пожаров
|
Критерий |
Модель CSIRO Grassland Fire Spread Model (Cheney et al., 1998) |
Адаптации модели Rothermel (1972) для травяных типов топлива (GR1–GR9) |
FARSITE / FlamMap (Finney, 1998) |
Модели на основе машинного обучения (2020–2025 гг.) |
|
Методологические основы |
Эмпирическая, зависимость от степени просушки травы и ветра |
Полуэмпирическая, баланс энергии |
Симуляционная, принцип Гюйгенса на базе Rothermel/CSIRO |
Статистическое и глубокое обучение на больших данных |
|
Преимущества |
Высокая точность при ветровых нагрузках, простота параметризации |
Универсальность, широкая валидация, интеграция с другими системами |
Пространственная визуализация, учёт переноса искр и гетерогенности |
Высокая точность в сложных условиях, оперативность в реальном времени |
|
Ограничения |
Необходимость региональной калибровки, ограниченный учёт переноса искр |
Сниженная точность при экстремальном ветре, упрощённое описание просушки |
Высокие требования к входным картам, чувствительность к разрешению ЦМР |
Требование больших обучающих наборов, ограниченная интерпретируемость |
|
Точность для степных пожаров |
Высокая (основная для травяных экосистем) |
Средняя–высокая |
Высокая с модулями для травяных экосистем |
Высокая (при наличии данных) |
|
Вычислительная сложность |
Низкая |
Низкая–средняя |
Высокая |
Средняя–высокая |
|
Интеграция с SRTM/БАС |
Хорошая (БАС для оценки просушки по NDVI) |
Хорошая (SRTM для уклона, БАС для характеристик топлива) |
Отличная (SRTM как базовая ЦМР, БАС для обновления карт топлива) |
Отличная (SRTM и БАС как входные признаки) |
Из таблицы видно, что для степных пожаров наиболее специализированной остается CSIRO Grassland Fire Spread Model, однако симуляционные системы FARSITE/FlamMap обеспечивают наибольшую гибкость при интеграции современных данных. Модели машинного обучения демонстрируют наибольший потенциал при условии наличия качественных региональных датасетов.
Выводы
Анализ современных моделей прогнозирования распространения ландшафтных низовых пожаров в степных зонах свидетельствует об эволюции от специализированных полуэмпирических подходов к универсальным симуляционным системам и перспективным методам машинного обучения. Специфика степных пожаров — высокая скорость распространения, доминирующая роль ветра и степени просушки травы — определяет приоритет специализированных или адаптированных моделей перед универсальными лесными.
Ключевым фактором повышения точности является интеграция данных дистанционного зондирования: глобальных цифровых моделей рельефа SRTM для учета топографических эффектов и материалов БАС/БПЛА для оперативной оценки вегетационных характеристик топлива. Комбинированное использование этих источников позволяет минимизировать неопределенности, связанные с вариабельностью травяного покрова в открытых ландшафтах.
Для условий Российской Федерации, где степные пожары представляют значительную угрозу в регионах Сибири, Забайкалья и Поволжья [5, 6, 7, 8], рекомендуется гибридный подход: применение FARSITE/FlamMap с grassland-модулями в качестве базовой симуляционной платформы, дополненной данными SRTM и БАС, с перспективой внедрения элементов машинного обучения для оперативного уточнения прогнозов в реальном времени [13, 14, 15, 17]. Такой подход позволит повысить эффективность системы мониторинга (ИСДМ-Рослесхоз) и управления силами пожаротушения МЧС России, способствуя снижению экологического и экономического ущерба от ландшафтных пожаров в степных экосистемах [7]. В контексте оперативного моделирования ЧС рекомендуется использовать информационно-техническую поддержку штаба, включая аппаратно-программные решения для анализа данных в реальном времени [32].
1. Шинкаренко С.С. Степные пожары в Северном Прикаспии //Степи Северной Евразии. – 2018. – С. 1127-1130. EDN: https://elibrary.ru/VJLZMA
2. Павлейчик В. М. Многолетняя динамика природных пожаров в степных регионах (на примере Оренбургской области) //Вестник Оренбургского государственного университета. – 2016. – №. 6 (194). – С. 74-80. EDN: https://elibrary.ru/WIQSKZ
3. Чейни Н. П., Гулд Дж. С., Кэтчпол У. Р. Прогнозирование распространения огня на пастбищах // Международный журнал о лесных пожарах. — 1998. — Т. 8. — № 1. — С. 1–13. DOI: https://doi.org/10.1071/WF9980001
4. Асылбаев Н. А. Математическое моделирование распространения степного пожара //Компьютерные исследования и моделирование. – 2010. – Т. 2. – №. 4. – С. 377-384. DOI: https://doi.org/10.20537/2076-7633-2010-2-4-377-384; EDN: https://elibrary.ru/NDWDBH
5. Фильков, А. И. Физико-математическое моделирование возникновения природных пожаров и исследование особенностей сушки, пиролиза и зажигания горючих материалов : специальность 01.04.14 "Теплофизика и теоретическая теплотехника" : автореферат диссертации на соискание ученой степени доктора физико-математических наук / Фильков Александр Иванович. – Томск, 2014. – 22 с. – EDN ZPNEFH.
6. Гришин А. М., Пугачева П. В. Анализ действия лесных и степных пожаров на города и поселки и новая детерминированно-вероятностная модель прогноза пожарной опасности в населенных пунктах //Вестник Томского государственного университета. Математика и механика. – 2009. – №. 3 (7). – С. 99-108. EDN: https://elibrary.ru/LLWUKP
7. Лупян Е. А. и др. Спутниковый мониторинг лесных пожаров в 21 веке на территории Российской Федерации (цифры и факты по данным детектирования активного горения) //Современные проблемы дистанционного зондирования Земли из космоса. – 2017. – Т. 14. – №. 6. – С. 158-175. DOI: https://doi.org/10.21046/2070-7401-2017-14-6-158-175; EDN: https://elibrary.ru/YLXCNK
8. Global Forest Watch. Интерактивная платформа мониторинга лесов. 2024. URL: https://www.globalforestwatch.org/.
9. Станкевич Т. С. Моделирование распространения лесного пожара при нестационарности и неопределенности посредством искусственного интеллекта и глубокого машинного обучения //Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2019. – №. 3. – С. 97-107. DOI: https://doi.org/10.24143/2072-9502-2019-3-97-107; EDN: https://elibrary.ru/QWWTIX
10. Шерстюков Б. Г., Шерстюков А. Б. Оценки опасности лесных пожаров на территории России при потеплении климата в XXI веке //Труды Всероссийского научно-исследовательского института гидрометеорологической информации-Мирового центра данных. – 2014. – №. 178. – С. 135-146. EDN: https://elibrary.ru/YOJEMD
11. Эндрюс П. Л. Модель распространения поверхностных пожаров Ротермела и связанные с ней разработки: подробное объяснение // Gen. Tech. Rep. RMRS-GTR-371. Форт-Коллинз, Колорадо: Министерство сельского хозяйства США, Лесная служба, Исследовательская станция Скалистых гор. 121 с. — 2018. — Т. 371. DOI: https://doi.org/10.2737/RMRS-GTR-371
12. Ротермел Р. К. Математическая модель для прогнозирования распространения огня в естественных условиях. — Межгорная экспериментальная станция по изучению лесов и пастбищ, Лесная служба, Министерство сельского хозяйства США, 1972. — Т. 115.
13. Финни М.А. ФАРСАЙТ: разработка и оценка модели–симулятора зоны пожара // Исследовательская работа RMRS-RP-4. Огден, Юта: Лесная служба Министерства сельского хозяйства США, исследовательская станция Роки-Маунтин. 1998. DOI: https://doi.org/10.2737/RMRS-RP-4
14. Farr T.G., Kobrick M. Shuttle Radar Topography Mission produces a new global elevation model // EOS Transactions American Geophysical Union. 2000. Vol. 81. No. 48. P. 583–585. DOI: https://doi.org/10.1029/EO081i048p00583
15. Bot B., Borges J. A systematic review of applications of machine learning techniques for wildfire management decision support // Informatics. 2022. Vol. 7. No. 1. P. 15. DOI: https://doi.org/10.3390/inventions7010015
16. Jain P., Coogan S.C.P., Subramanian S.G. et al. A review of machine learning applications in wildfire science and management // Environmental Reviews. 2020. Vol. 28. No. 3. P. 478–505. DOI: https://doi.org/10.1139/er-2020-0019; EDN: https://elibrary.ru/TMXVEI
17. Abdollahi A., Pradhan B. Integrated machine learning and remote sensing for wildfire risk assessment // Remote Sensing. 2023. Vol. 15. No. 12. P. 3050.
18. Andrews P.L. BehavePlus fire modeling system: Past, present, and future // Proceedings of 7th Symposium on Fire and Forest Meteorology. 2007.
19. Moghim S., Takallou M. Wildfire assessment using machine learning algorithms in different regions // Fire Ecology. 2024. Vol. 20. P. 1–15. DOI: https://doi.org/10.1186/s42408-024-00335-2; EDN: https://elibrary.ru/DZLOMY
20. Huot F., Radke D., Hessler A. Deep learning for wildfire risk prediction: Integrating remote sensing and environmental data // ISPRS Journal of Photogrammetry and Remote Sensing. 2025. Vol. 212. P. 1–18.
21. Pelletier C., Valero C., Inglada J. Deep learning for wildfire spread prediction: A review // Fire. 2024. Vol. 7. No. 12. P. 482. DOI: https://doi.org/10.3390/fire7120482; EDN: https://elibrary.ru/YPCAER
22. Ejaz W., Choudhury N. A comprehensive survey of the machine learning pipeline for wildfire risk prediction and assessment // Environmental Modelling & Software. 2025. Vol. 182. P. 106012. DOI: https://doi.org/10.1016/j.ecoinf.2025.103325
23. Методика тушения ландшафтных пожаров (утв. МЧС России 14 сентября 2015 г. № 2-4-87-32-ЛБ). URL: https://www.garant.ru/products/ipo/prime/doc/71145496/.
24. Hanes C.C., Wang X., Jain P. et al. Fire-regime changes in Canada over the last half century // Canadian Journal of Forest Research. 2019. Vol. 49. No. 5. P. 488–498. DOI: https://doi.org/10.1139/cjfr-2018-0293
25. Erni S., Johnston L.M., Jacques P.M. et al. Wildfire activity in Canadian forests: Trends and projections // Forestry Chronicle. 2024. Vol. 100. P. 1–15.
26. Трояк, А. Ю. Программно-аппаратная платформа для оперативного прогнозирования и моделирования чрезвычайной ситуации / А. Ю. Трояк, В. Ю. Яровой, С. О. Куртов // Безопасность и мониторинг природных и техногенных систем : материалы и доклады, Красноярск, 16–20 октября 2023 года. – Красноярск: Федеральное государственное бюджетное научное учреждение "Федеральный исследовательский центр информационных и вычислительных технологий", 2023. – С. 266-269. – DOIhttps://doi.org/10.25743/SSTS.2023.90.54.066. – EDN RDYOON.
27. Байат Г., Йылдыз К. Сравнение методов машинного обучения для прогнозирования площадей пожаров // Turkish Journal of Science and Technology. 2022. Vol. 17. P. 241–250. DOI: https://doi.org/10.55525/tjst.1063284; EDN: https://elibrary.ru/DUPULA
28. Шарма У., Шоу С., Кумари К.С. Прогнозирование лесных пожаров с использованием алгоритмов машинного обучения // Proceedings of ICRTDA 2023. 2023. DOI: https://doi.org/10.13052/rp-9788770040723.114
29. Radke D., Hessler A., Ellsworth D. FireCast: Leveraging deep learning for wildfire prediction // arXiv preprint arXiv:2405.01607. 2024.
30. Forestry Canada Fire Danger Group. Development and structure of the Canadian Forest Fire Behavior Prediction System. Ottawa: Forestry Canada. 1992.
31. Zhu W., Niu S., Yue J. et al. Multiscale wildfire and smoke detection in complex drone forest environments based on YOLOv8 // Scientific Reports. 2025. Vol. 15. P. 2399. DOI: https://doi.org/10.1038/s41598-025-86239-w; EDN: https://elibrary.ru/RWCWIQ
32. Яровой, В. Ю. Информационно-техническая поддержка работы оперативного штаба ликвидации чрезвычайной ситуации / В. Ю. Яровой, А. Ю. Трояк, С. О. Куртов // Мониторинг, моделирование и прогнозирование опасных природных явлений и чрезвычайных ситуаций : Сборник материалов Международной научно-практической конференции, Красноярск, 21 октября 2022 года. – Красноярск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирская пожарно-спасательная академия" Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации стихийных бедствий", 2022. – С. 191-197. – EDN YIULVK.
