امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

آتش سوزی جنگل

  • توضیحات :

این یک وظیفه بازگشتی است ، جایی که هدف پیش بینی منطقه سوخته آتش سوزی جنگل ها ، در منطقه شمال شرقی پرتغال ، با استفاده از داده های هواشناسی و سایر داده ها است.

اطلاعات مجموعه داده ها:

در [کورتز و مورایس ، 2007] ، "منطقه" خروجی ابتدا با یک تابع ln (x + 1) تغییر شکل داد. سپس ، چندین روش داده کاوی استفاده شد. پس از برازش مدل ها ، خروجی ها با معکوس تبدیل ln (x + 1) پردازش شدند. از چهار تنظیم مختلف ورودی استفاده شده است. این آزمایشات با استفاده از 10 بار اجرا (10 بار اعتبار سنجی) x 30 اجرا شد. دو معیار رگرسیون اندازه گیری شد: MAD و RMSE. یک ماشین بردار پشتیبان گاوسی (SVM) که فقط با 4 شرایط آب و هوایی مستقیم (دما ، RH ، باد و باران) تغذیه می شود بهترین مقدار MAD را به دست آورد: 71/12 + - 01/01 (میانگین و اطمینان اطمینان در 95٪ با استفاده از توزیع t-student). بهترین RMSE با پیش بینی میانگین ساده لوحی بدست آمد. تجزیه و تحلیل منحنی خطای رگرسیون (REC) نشان می دهد که مدل SVM نمونه های بیشتری را در یک خطای پذیرفته شده کمتر پیش بینی می کند. در حقیقت ، مدل SVM آتش سوزی های کوچک بهتر را که اکثریت آنها هستند ، پیش بینی می کند.

اطلاعات ویژگی:

برای اطلاعات بیشتر ، [کورتز و مورایس ، 2007] را بخوانید.

  1. X - مختصات مکانی محور x در نقشه پارک Montesinho: 1 تا 9
  2. مختصات مکانی محور Y - در نقشه پارک مونتزینیو: 2 تا 9
  3. ماه - ماه سال: 'jan' تا 'dec'
  4. روز - روز هفته: "دوشنبه" تا "خورشید"
  5. FFMC - شاخص FFMC از سیستم FWI: 18.7 تا 96.20
  6. DMC - شاخص DMC از سیستم FWI: 1.1 تا 291.3
  7. شاخص DC - DC از سیستم FWI: 7.9 تا 860.6
  8. ISI - شاخص ISI از سیستم FWI: 0.0 تا 56.10
  9. دما - درجه حرارت در درجه سانتیگراد: 2.2 تا 33.30
  10. RH - رطوبت نسبی در:: 15.0 تا 100
  11. باد - سرعت باد در کیلومتر در ساعت: 0.40 تا 9.40
  12. باران - باران بیرون در میلی متر بر متر مربع: 0.0 تا 6.4
  13. area - منطقه سوخته جنگل (در هکتار): 0.00 تا 1090.84 (این متغیر خروجی نسبت به 0.0 بسیار کج است ، بنابراین ممکن است منطقی باشد که با تبدیل لگاریتم مدل سازی شود).
شکاف مثال ها
'train' 517
  • ویژگی ها :
FeaturesDict({
    'area': tf.float32,
    'features': FeaturesDict({
        'DC': tf.float32,
        'DMC': tf.float32,
        'FFMC': tf.float32,
        'ISI': tf.float32,
        'RH': tf.float32,
        'X': tf.uint8,
        'Y': tf.uint8,
        'day': ClassLabel(shape=(), dtype=tf.int64, num_classes=7),
        'month': ClassLabel(shape=(), dtype=tf.int64, num_classes=12),
        'rain': tf.float32,
        'temp': tf.float32,
        'wind': tf.float32,
    }),
})

  • کلیدهای تحت نظارت (به as_supervised سند نظارت شده مراجعه کنید): ('area', 'features')

  • نقل قول :

@misc{Dua:2019 ,
author = "Dua, Dheeru and Graff, Casey",
year = "2017",
title = "{UCI} Machine Learning Repository",
url = "http://archive.ics.uci.edu/ml",
institution = "University of California, Irvine, School of Information and Computer Sciences" }

@article{cortez2007data,
  title={A data mining approach to predict forest fires using meteorological data},
  author={Cortez, Paulo and Morais, Anibal de Jesus Raimundo},
  year={2007},
  publisher={Associa{\c{c} }{\~a}o Portuguesa para a Intelig{\^e}ncia Artificial (APPIA)}
}